بناء نموذج لتحديد مواقع نقاط المراقبة الجوية الآلية قائم على الشبكة العصبية الالتفافية وتجميع K-means

لماذا تهم أجهزة رصد الهواء الأذكى حياة المدينة

يتنفس سكان المدن هواء تتشكّل ملامحه بفعل المرور والمصانع والطقس، ومع ذلك لا تستطيع معظم المدن تحمل تكلفة أكثر من عدد محدود من محطات الرصد. تقدم هذه الورقة طريقة جديدة لتحديد المواقع الدقيقة لتلك المحطات بحيث يمكن لمجموعة محدودة من المستشعرات أن توفر صورة واضحة عن التلوث عبر كامل المنطقة الحضرية. من خلال الجمع بين خوارزميات التعرف على الأنماط الحديثة وتجميع الأماكن المتشابهة بشكل ذكي، يسعى المؤلفون إلى رسم جودة الهواء على مستوى المدينة بدقة عالية مع الحفاظ على التكاليف وزمن الحوسبة تحت السيطرة.

من قراءات متناثرة إلى صورة كاملة

تترك شبكات المراقبة التقليدية فراغات كبيرة بين المحطات، لذا تظل جودة الهواء في أحياء كثيرة غير معروفة عملياً. وفي الوقت نفسه، فإن إضافة عدد كبير من المحطات مكلف وغالباً غير عملي. تركز الدراسة على مشكلة اختيار المواقع: إذا قُسّمت المدينة إلى خلايا شبكية صغيرة وكان هناك ميزانية محدودة للمستشعرات، فأي المواقع ينبغي مراقبتها بحيث تعكس القراءات أنماط التلوث في كل مكان، وليس فقط قرب المواقع القائمة؟ يجادل المؤلفون بأن الخيارات الجيدة يجب أن تأخذ في الاعتبار كيف يتغير التلوث زمنياً ومكانياً وكيف يشكّله الطقس والمرور واستخدامات الأراضي، وليس بمجرد متوسطات عند نقاط قليلة.

ترك الشبكة العصبية تتعلّم الأنماط

لاكتشاف تلك الأنماط، يستخدم الباحثون شبكة عصبية التفافية (CNN)، وهو نوع من نماذج التعلّم العميق يُستخدم عادةً في التعرف على الصور. هنا، تشكّل سجلات جودة الهواء المنظمة «صوراً» تتضمن مستويات الملوّثات مثل الجسيمات الدقيقة والخشنة والأوزون وأول أكسيد الكربون، إلى جانب درجة الحرارة والرطوبة والرياح وعوامل أخرى. تتعلم الشبكة متجهات ميزات مُكثّفة—ملخّصات رقمية موجزة—تعبّر عن كيفية تصرف التلوث عبر المكان والزمان. يجد الفريق أن استخدام 256 وحدة خفية يعطي توازناً جيداً بين الدقة والسرعة، منتجاً مخرجات مستقرة وأخطاء تنبؤ صغيرة جداً عند إعادة بناء البيانات المرصودة.

تجميع المناطق المتشابهة لتغطية المدينة بعدالة

بمجرد تعلم متجهات الميزات هذه، تكون الخطوة التالية تجميع خلايا الشبكة التي تتشابه في سلوك جودة الهواء. لهذا الغرض تستخدم الدراسة تجميع K-means، وهي خوارزمية تفصل البيانات إلى عدد محدد مسبقاً من المجموعات. عندما يُطبّق التجميع مباشرة على القياسات الخام، تكون الحدود بين المجموعات ضبابية وتتناقص سرعة تقارب الخوارزمية. بعد استخراج الميزات بواسطة CNN، تصبح التجمعات أوضح بكثير، وتجد الخوارزمية بسرعة مراكز ثابتة تمثّل أنماط التلوث النموذجية. تمثل كل مجموعة منطقة في المدينة حيث يتصرف الهواء بطريقة مماثلة، حتى لو بدت الأحياء داخلها مختلفة على الخريطة.

اختيار أفضل المواقع الجديدة عبر مكسب المعلومات

لاختيار المواقع الجديدة التي تُضاف، يقدم المؤلفون إجراءً طماعياً مبنياً على إنتروبيا المعلومات. ينظرون إلى المدينة كشبكة من العقد، بعضها معنونة ببيانات حساسات فعلية والبعض الآخر غير معنونة. باستخدام تشابه الميزات بين العقد المعنونة وغير المعنونة، يحسبون مدى عدم اليقين لكل عقدة غير معنونة من حيث دورها في جودة الهواء. العقد التي تكون أقل شبهاً بالتي القائمة—أو التي تقع قرب حدود بين أنظمة تلوّث مختلفة—تملك قيمة معلومات أعلى. تدرّج الخوارزمية العقد بحسب هذا المقياس وتُضيف بالتكرار أكثرها معلوماتية إلى مجموعة المعنونة، مع إعادة تدريب النموذج في كل مرة. المحطات الموصى بها أخيراً هي تلك ذات الأولوية المتوسطة الأعلى عبر فترات زمنية متعددة.

ما مدى فاعليته في مدن حقيقية؟

اختُبر النموذج في ثلاث مدن صينية ذات مستويات تلوث مختلفة للغاية: مدينة صناعية كثيفة، ومدينة مختلطة الاستخدامات، ومدينة سياحية أنظف، باستخدام أكثر من 400,000 سجل بالساعة للملوثات والطقس. بالمقارنة مع طريقتين سابقوتين لتحديد المواقع، يحقق الأسلوب الجديد ارتباطاً مقداره 0.96 بين القيم المتوقعة والمرصودة لجودة الهواء، مع أخطاء متوسطة تقل عن 1% واتفاق قوي لكل من الملوثات الأولية مثل الجسيمات الخشنة وثاني أكسيد الكبريت والملوثات الثانوية مثل الأوزون وثاني أكسيد النيتروجين. كما يعالج البيانات بسرعة تبلغ تقريباً ضعف طرق المنافسين، بزمن استجابة متوسط دون الثانية، ويعمل بكفاءة عبر أنواع المدن، مما يشير إلى أنه يمكنه دعم تحديثات يومية لتوصيات الرصد.

ماذا يعني هذا للأشخاص الذين يتنفسون الهواء؟

بعبارات بسيطة، تظهر الدراسة أن المدينة ليست بحاجة إلى مستشعرات في كل شارع لمعرفة مدى نقاوة أو تلوث هوائها. من خلال السماح لشبكة عصبية بتعلّم كيفية تحرك التلوث ثم اختيار المواقع الأكثر معلوماتية بعناية، يمكن للمسؤولين تصميم شبكات رصد أكثر رشاقة وذكاءً تتعقب حالة المدينة بأخطاء ضئيلة جداً. بالنسبة للسكان، يعد هذا النظام بخرائط جودة هواء أكثر موثوقية، وإرشاد أفضل للأنشطة في الهواء الطلق، وأساس علمي أقوى لسياسات تستهدف تقليل التلوث حيث يكون له الأثر الأكبر.

الاستشهاد: Liu, S., Peng, J. & He, X. Construction of automatic air monitoring point siting model based on convolutional neural network and K-means clustering. Sci Rep 16, 11940 (2026). https://doi.org/10.1038/s41598-026-41078-1

الكلمات المفتاحية: جودة الهواء الحضري, وضع أجهزة الاستشعار, التعلّم العميق, مراقبة البيئة, رسم خرائط التلوث