التنبؤ متعدد النماذج بـ $$\text {NO}_{2}$$ و $$\text {O}_{3}$$ في أبوظبي: فوائد توسيع الميزات بناءً على الارتباط

لماذا تهم تنبؤات الهواء الأنظف

يسافر سكان المدن النامية مثل أبوظبي هواءً تتشكل حالته باستمرار بفعل حركة المرور والصناعة والطقس. يلعب غازان غير مرئيين، هما ثاني أكسيد النيتروجين والأوزون على مستوى الأرض، دوراً كبيراً في الضباب الدخاني ومشكلات الجهاز التنفسي. تطرح هذه الدراسة سؤالاً عملياً ذا عواقب واقعية: ما مدى دقة توقع هذه الملوثات قبل ساعات إلى أيام باستخدام تقنيات الذكاء الاصطناعي الحديثة، وهل يمكن تحسين الدقة إذا علّمنا النماذج كيف تؤثر هذه الغازات بعضها على بعض؟

المذنبان المزدوجان في هواء المدينة

يرتبط ثاني أكسيد النيتروجين والأوزون ارتباطاً وثيقاً في الغلاف الجوي. ينبع ثاني أكسيد النيتروجين في الغالب من عوادم المركبات ومصادر الاحتراق الأخرى؛ وفي ضوء الشمس يساهم في تكوين الأوزون، وهو مكون رئيسي للضباب الدخاني. خلال النهار ترتفع مستويات الأوزون بينما ينخفض ثاني أكسيد النيتروجين غالباً، وقد تنعكس هذه النمطية ليلاً. في أبوظبي، يجعل النمو الحضري السريع وحركة المرور الكثيفة والظروف الصحراوية التي تقلل من عمليات «تنقية» الهواء الطبيعية هذه الملوثات مصدر قلق خاص. يتيح التنبؤ الدقيق بتقلباتها للسلطات تحذير الفئات الضعيفة وتعديل تدفقات المرور أو تخطيط الأنشطة الصناعية لتقليل المخاطر الصحية.

صورة غنية لهواء أبوظبي

استند الباحثون إلى مجموعة بيانات كبيرة ومفصلة بشكل استثنائي: خمس سنوات من القياسات بالساعة لثاني أكسيد النيتروجين والأوزون من سبع محطات رصد ثابتة منتشرة عبر صحارى وضواحي ومناطق ساحلية ومنطقة صناعية في إمارة أبوظبي. هذا السجل الطويل، الذي يغطي أعوام 2018 حتى 2022، يتجنب الظروف المشوهة التي ظهرت خلال إجراءات الإغلاق المتعلقة بكوفيد-19 والتي أثرت على دراسات سابقة. قام الفريق بتنظيف البيانات بعناية، مع ملء الفجوات العرضية عبر متوسط القيم لنفس التواريخ والساعات في أعوام أخرى، وتطبيق خطوات رياضية للتعامل مع القفزات الحادة مع الحفاظ على قيم الذروة الحقيقية للتلوث. ثم قسموا الخط الزمني إلى كتل متتالية للتدريب والاختبار، محاكين بذلك كيفية تعلم نظام التنبؤ من الماضي وتقييمه على فترات مستقبلية لم تُرَ من قبل.

اختبار العديد من طرق التنبؤ

لمعرفة أي الأدوات تعمل بشكل أفضل، قارنت الدراسة مجموعة واسعة من النهوج. شملت الطرق الأبسط أشجار القرار والغابات العشوائية وآلات المتجهات الداعمة، التي تبحث عن أنماط في القياسات السابقة. وشملت طرق التعلم العميق المتقدمة شبكات الالتفاف العصبية، التي تتفوق في اكتشاف أشكال محلية في السلاسل الزمنية، وشبكات LSTM المصممة لتذكر الأنماط طويلة الأمد. استخدم الباحثون أيضاً نموذج Prophet، المصمم لالتقاط الدورات اليومية والموسمية المتكررة، ونموذج Transformer، وهو بنية أحدث تستخدم آلية «الانتباه» لوزن تأثير لحظات ماضية مختلفة على كل تنبؤ. طُلب من جميع النماذج توقع مستويات الملوثات قبل 1 ساعة و2 ساعة ويوم واحد وأسبوع واحد، وقُيمت أخطاؤها باستخدام عدة مقاييس تكاملية.

التعلم من كيفية تحرك الملوثات معاً

لأن ثاني أكسيد النيتروجين والأوزون مرتبطان كيميائياً، استكشف الفريق ما إذا كان سجل كل ملوث يمكنه مساعدة التنبؤ بالآخر. قاسوا أولاً مدى الترابط بين الغازين في كل محطة، وأكدوا وجود علاقة عكسية قوية عموماً: عندما يكون أحدهما عالياً، يميل الآخر لأن يكون منخفضاً. ثم بنوا نسختين من كل نموذج. في النسخة الأساسية كان النموذج يرى فقط القيم السابقة للملوث الذي يستهدف التنبؤ به. في النسخة المحسّنة كان يرى أيضاً قيماً متأخرة زمنياً للملوث الآخر، ما منح النموذج تلميحاً إضافياً عن الحالة الحالية لهواء المدينة. أتاح ذلك للباحثين اختبار ما إذا كانت «توسعة الميزات» — إضافة معلومات مترابطة — تُنتج تنبؤات أكثر دقة دون إدخال معرفة من المستقبل.

أي النماذج فازت، ولماذا يهم ذلك

عبر كل المحطات والملوثات وفترات التنبؤ تقريباً، تفوّق نموذج Transformer بوضوح على غيره، محققاً أدنى الأخطاء المتوسطة وسلوكاً أكثر استقراراً مع مرور الزمن. بالنسبة لثاني أكسيد النيتروجين تراوح خطؤه النسبي النموذجي بين نحو ربع إلى ثلث، أما بالنسبة للأوزون فكان الأداء أفضل قليلاً. تلاها شبكات الالتفاف بقليل في التنبؤات قصيرة الأمد جداً، لا سيما خلال الساعتين الأوليين، بينما أثبت Prophet فائدته عند أفق الأسبوع بفضل قدرته القوية على التعامل مع الأنماط المتكررة. ومن المهم أن تزويد النماذج بمعلومات إضافية عن الملوث الشريك قلل من أخطاء التنبؤ بشكل متسق، ولا سيما لتنبؤات ثاني أكسيد النيتروجين بمدة ساعة واحدة وتنبؤات الأوزون حتى يوم كامل مقدماً. بعبارات يومية، تُظهر هذه الدراسة أن ذكاءً اصطناعياً متقدماً مبنياً على الانتباه، ومُغذًى بسجل غني متعدد السنوات ومتعلم لاستغلال «الحوار» الكيميائي بين الملوثات الرئيسية، يمكن أن يوفر تنبؤات جودة هواء أكثر موثوقية. هذه الأدوات يمكن أن تساعد مخططي المدن والهيئات الصحية في أبوظبي ومناطق مماثلة على التحرك مبكراً وبشكل أدق لحماية الصحة العامة، لا سيما للأطفال وكبار السن ومن يعانون أمراض الرئة أو القلب.

الاستشهاد: Abuouelezz, W., Ali, N., Aung, Z. et al. Multi-model forecasting of \(\text {NO}_{2}\) and \(\text {O}_{3}\) in Abu Dhabi: benefits of correlation-based feature augmentation. Sci Rep 16, 13825 (2026). https://doi.org/10.1038/s41598-026-44485-6

الكلمات المفتاحية: تنبؤ تلوث الهواء, ثاني أكسيد النيتروجين, الأوزون على مستوى الأرض, نماذج التعلم العميق, جودة هواء أبوظبي