دمج بيانات قمر GEMS للتنبؤ بجودة الهواء بالساعة في تايوان

لماذا خرائط الهواء الأنظف مهمة في الحياة اليومية

عادةً ما يُرصد تلوث الهواء عبر شبكة متناثرة من محطات القياس، ما قد يجعلها تفوت بؤر التلوث وتترك أحياء كثيرة غير مدركة لحالة الهواء التي تتنفسها فعليًا. تتعامل هذه الدراسة مع تلك المشكلة على مستوى كامل تايوان من خلال دمج بيانات من قمر صناعي جديد ثابت بالنسبة للأرض مع معلومات الطقس وأجهزة الاستشعار الأرضية، ثم استخدام التعلم الآلي للتنبؤ بمستويات ستة ملوثات رئيسية بالساعة. النتيجة هي نوع من خرائط جودة الهواء عالية الدقة وفي الوقت الفعلي التي يمكن أن تساعد السكان والأطباء وصانعي السياسات على الاستجابة بسرعة أكبر لتغيرات التلوث وحماية الصحة العامة بشكل أفضل.

عين جديدة في السماء لمراقبة الهواء الملوث

تركز العمل على جهاز رصد البيئة الجيوستاتيوناري للطيف، أو GEMS، وهو أداة فضائية أطلقت في 2020 وتبقى ثابتة فوق شرق آسيا. على عكس الأقمار القديمة التي تمر فوق المنطقة مرة أو مرتين يوميًا فقط، يراقب GEMS نفس المنطقة بشكل مستمر خلال ساعات النهار، متتبعًا الغازات والجسيمات المرتبطة بالضباب الدخاني والضباب الحيوي. استخدم الباحثون قياساته للأوزون وثاني أكسيد النيتروجين وثاني أكسيد الكبريت وخصائص الهباء الجوي، ثم جمعوها مع معلومات طقس مفصّلة، والإشعاع فوق البنفسجي، وقراءات شبكة جودة الهواء الأرضية في تايوان. أُعيد عيّنة كل هذه البيانات على شبكة مشتركة تغطي الجزيرة ساعة بساعة، وعلى مقياس دقيق بما يكفي لتمييز الأنماط الإقليمية.

تدريب نموذج ليتابع الهواء الذي نتنفسه

لتحويل هذا التدفق من البيانات إلى توقعات عملية، استخدم الفريق نهج تعلم آلي يُسمى CatBoost، الذي يتفوق في اكتشاف الأنماط في بيانات معقّدة ومتعددة الأنواع. والأهم من ذلك، بدلاً من بناء نموذج منفصل لكل ملوث، درّبوا نموذجًا واحدًا "متعدد المخرجات" يتعلم سلوك ستة ملوثات—الجزيئات الدقيقة (PM₂.₅)، والجزيئات الخشنة (PM₁₀)، والأوزون (O₃)، وثاني أكسيد النيتروجين (NO₂)، وأول أكسيد الكربون (CO)، وثاني أكسيد الكبريت (SO₂)—كلها في آن واحد. زوِّد النموذج ليس فقط بحالة الأقمار الصناعية والطقس الحالية، بل أيضًا بمعلومات من ساعة وساعتين سابقتين ومن نفس الساعة في اليوم السابق، ما ساعده على التعرف على التقلبات قصيرة الأجل والدورات اليومية. ولمحاكاة كيفية استخدام التنبؤات في الواقع، اعتمدوا نهجًا دوّارًا: أعيد تدريب النموذج مرارًا على أحدث 18 شهرًا من البيانات ثم طُلِب منه التنبؤ باليوم التالي، على مدى فترة اختبار استمرت ستة أشهر في 2023.

إلى أي مدى يتتبع النظام ضباب تايوان

ثبت أن النموذج قادر على تتبع العديد من جوانب تلوث الهواء في تايوان عن قرب. أظهرت المقاييس الإحصائية اتفاقًا قويًا بين المستويات المتوقعة والمرصودة لمعظم الملوثات، لا سيما الأوزون، والجزيئات الخشنة، والجزيئات الدقيقة، وثاني أكسيد النيتروجين، وأول أكسيد الكربون. كشفت خرائط تقارن مخرجات النموذج بقراءات المحطات عبر تايوان أن النظام أعاد إنتاج الأنماط المكانية الواسعة بشكل جيد، مع وجود مناطق محدودة من التقدير الزائد أو الناقص محليًا. أبرز تحليل متعمق للأخطاء أن بعض أحداث تلوث الجسيمات القصوى، مثل الارتفاعات المفاجئة في PM₂.₅ وPM₁₀، يمكن أن تشوّه بعض المقاييس الحساسة للقيم الشاذة. عندما لُخِّصت تلك الأخطاء باستخدام إحصاءات أكثر صلابة، تحسّن الأداء الظاهر للجسيمات بشكل كبير، مما يوحي بأن النموذج يتعامل عمومًا مع الظروف اليومية بشكل جيد لكنه يكافح، كما تفعل العديد من النماذج، مع الحلقات النادرة الشديدة.

ما الذي يحدد أنماط التلوث عبر الجزيرة

لفهم ما تعلّمه النموذج، طبق الباحثون تقنية تصنف المدخلات بحسب أهميتها لكل ملوث. بالنسبة للأوزون، أدت أشعة الشمس القوية ودرجات الحرارة الأعلى إلى رفع المستويات، بينما كان الوضع الرطب يميل إلى خفضها—وهو ما يتسق مع طريقة تأثير النباتات والطقس في إزالة الأوزون. بالنسبة لتلوث الجسيمات، أدت سرعات الرياح الأعلى عمومًا إلى خفض التركيزات عن طريق تشتت الهواء الملوث، بينما رفعت الإشارات المستمدة من الأقمار الصناعية للهُباء الجوي المستويات. تشكلت الملوثات الأولية مثل ثاني أكسيد النيتروجين وأول أكسيد الكربون وثاني أكسيد الكبريت بمزيج من توقيت اليوم والموقع وأشعة الشمس، مع تأثير للإشعاع فوق البنفسجي في خفض ثاني أكسيد النيتروجين عندما يتفكك ليساهم في تكوين الأوزون. عمومًا أظهر التحليل أن قياسات الأقمار الصناعية والبيانات الأرصادية معًا تعطي للنموذج صورة فيزيائية المعنى عن كيفية تكوّن الملوثات وتحركها وتلاشيها عبر بيئة الجزيرة المعقدة في تايوان.

ما معنى هذا للناس والسياسة

بعبارة بسيطة، تُظهر الدراسة أنه من خلال دمج مشاهد الأقمار الصناعية وبيانات الطقس والمراقبات الأرضية داخل إطار تعلم واحد، أصبح من الممكن الآن توليد خرائط موثوقة بالساعة لعدة ملوثات عبر كامل تايوان، وليس فقط في أماكن وجود المحطات. وبينما لا يزال ثمة مجال لتحسين الأداء لبعض الملوثات والأحداث القصوى، يقدم هذا النهج بالفعل أداة قوية للمسؤولين الصحيين ومخططي المدن: يمكنها المساعدة في إصدار تحذيرات أكثر دقة أثناء فترات الهواء السيئ، وتحسين تقديرات التعرض طويل الأمد المستخدمة في دراسات الصحة، ودعم تنظيمات أكثر ذكاءً تستهدف أكثر التراكيب الضارة للتلوث والطقس. ويمكن تكييف نفس الاستراتيجية مع مناطق أخرى تغطيها الأقمار الجيوستاتيونارية، لتقدّم صورًا أوضح وأكثر توقيتًا عن الهواء الذي نتنفسه لمجتمعات عديدة أخرى.

الاستشهاد: Lin, WH., Chan, TC. GEMS satellite data fusion for hourly air quality prediction in Taiwan. Sci Rep 16, 7766 (2026). https://doi.org/10.1038/s41598-026-39305-w

الكلمات المفتاحية: توقع جودة الهواء, الاستشعار عن بُعد بالأقمار الصناعية, تلوث الهواء في تايوان, نماذج التعلم الآلي, قمر GEMS