نموذج هجيني مستوحى من الطبيعة لتنبؤ تلوث الهواء الحضري باستخدام التعلم العميق

لماذا يهمك هواء المدينة الأنظف

هواء المدينة مزيج من غازات مرئية وجزيئات دقيقة يمكن أن تضر بالرئتين والقلب والدماغ بهدوء مع مرور الوقت. ومع ذلك، لا يسمع كثير من سكان المدن عن سوء جودة الهواء إلا عندما يظهر تنبيه ضبابي في الأخبار. يقدم هذا البحث طريقة أذكى للتنبؤ بتلوث الهواء في المدن الكبرى حول العالم، بهدف منح السلطات والسكان تحذيرات مبكرة وأكثر موثوقية حتى يتمكنوا من التخطيط للتنقلات، والتمارين الخارجية، والاستجابات الصحية العامة بثقة أكبر.

المشكلة في تخمين هواء الغد

توقع جودة هواء المدينة أصعب مما يبدو. ينبعث التلوث من المرور والصناعة وأنماط الطقس وحتى تخطيط الشوارع والمساحات الخضراء. يمكن أن تتغير مستويات الملوثات الضارة مثل الجسيمات الدقيقة والأوزون وثاني أكسيد النيتروجين من حي لآخر ومن ساعة لأخرى. تكافح النماذج الحاسوبية الحالية غالبًا مع قراءات المستشعرات الصاخبة، والبيانات المفقودة، والعلاقات المعقدة بين الملوثات المختلفة وظروف الطقس. كثير منها يعمل جيدًا في مدينة واحدة لكنه يفشل عند نقله إلى أخرى ذات حركة مرورية أو مناخ مختلف.

أداة جديدة تتعلم قواعد الهواء

يقدم المؤلفون نموذجًا هجينيًا يحمل اسمًا طويلاً لكن فكرته بسيطة: دمج التعلم المعتمد على البيانات مع معرفة بكيفية تصرف الهواء فعليًا. أولًا، يستخدمون مجموعة بيانات عالمية لجودة الهواء اليومية والطقس من مدن كبرى بين 2015 و2025. خطوة تنظيف متخصصة تنعم البيانات مع الحفاظ على التغيرات الحادة قرب الطرق المزدحمة أو مصادر التلوث. بعد ذلك، يقوم مرحل استخراج الميزات بتقسيم كل إشارة تلوث إلى مكونات تمثل المستويات العامة، والتفاعلات بين الملوثات، والذروات المفاجِئة. تغذي هذه الإشارات المعالجة شبكة عصبية "مستنيرة بالفيزياء"، أي يتم توجيهها بلطف بمبادئ أساسية لكيفية تشتت وتفاعل الملوثات في الغلاف الجوي.

السماح للطبيعة بإلهام التحسين

حتى الشبكة العصبية المصممة جيدًا تحتاج ضبط إعداداتها الداخلية لتعمل بكفاءة. بدلًا من الاعتماد على الأساليب التقليدية، يستعير الباحثون أفكارًا من طريقة بحث شيطان البحر (manta ray) عن الطعام في المحيط. يقلد خوارزم التحسين لديهم حركات البحث الجماعي والحلقات لاستكشاف العديد من توليفات المعامل بكفاءة، ثم يركز على أكثرها واعدة. يساعد هذا البحث المستوحى من الطبيعة النموذج على إيجاد توازن بين اتباع البيانات عن كثب واحترام الحدود الفيزيائية، مثل تجنب قيم تلوث سالبة أو قفزات في التركيز لا يمكن حدوثها.

ما مدى فعاليته في المدن الحقيقية

لاختبار منهجهم، قارن الفريق نموذجهم بعدة أنظمة شائعة للتعلم العميق وتعلم الآلة لتنبؤ جودة الهواء. دربوا النموذج على بيانات من مجموعة من المدن ثم فحصوا الأداء على مدن مختلفة غير مرئية سابقًا ذات مناخات وأنماط شوارع متنوعة. وصل النموذج الهجيني إلى حوالي 99 بالمئة دقة وحقق مقاييس خطأ أقل من الطرق المنافسة بالنسبة للملوثات الرئيسية مثل الجسيمات الدقيقة، وأول أكسيد الكربون، وثاني أكسيد النيتروجين، والأوزون، وثاني أكسيد الكبريت. كما تعامل بشكل أفضل مع الأحداث المتطرفة. في حالة اختبار شبيهة بحرائق الغابات، أنتج نموذج قياسي قيم تلوث سالبة غير واقعية وذروة مبالغًا فيها بصورة كبيرة، بينما حافظ النظام المستنير بالفيزياء على توقعاته ضمن نطاقات معقولة وأقرب بكثير إلى الواقع.

ما يعنيه هذا للحياة اليومية والتخطيط

بعبارات بسيطة، يظهر البحث أن النموذج الذي يتعلم من البيانات وفي الوقت نفسه يحترم قواعد الفيزياء الأساسية يمكنه التنبؤ بهواء المدينة بشكل أكثر موثوقية من النماذج التي تبحث عن الأنماط فقط. وبما أنه يعمم جيدًا عبر مدن عديدة ويظل مستقرًا حتى عندما تكون البيانات قليلة أو صاخبة، فيمكن أن يدعم تنبيهات جودة الهواء في الوقت الفعلي، وتخطيطًا حضريًا أذكى، ورسم خرائط لمخاطر الصحة. وبينما لا يزال الإطار يبسط بعض التفاصيل المحلية، مثل أودية الشوارع الدقيقة والميكروكليما، فإنه يمثل خطوة نحو توقعات هواء يمكن للسكان وصانعي السياسات الوثوق بها عند اتخاذ قرارات حول أين يبنون، وكيف يديرون الحركة، ومتى يحدون من التعرض في الخارج.

الاستشهاد: Chaudhary, D., Vats, P., Vats, S. et al. A hybrid bio-inspired model for predicting urban air pollution using deep learning. Sci Rep 16, 15697 (2026). https://doi.org/10.1038/s41598-026-40726-w

الكلمات المفتاحية: تلوث الهواء الحضري, تنبؤ جودة الهواء, التعلم العميق, نماذج مستنيرة بالفيزياء, مراقبة البيئة