تعلّم الاعتماد المتبادل على مقياس الحي بين ملوثات الهواء والطقس وتغطية الأرض باستخدام الاستشعار المتحرك والمحولات

لماذا هواء شارعك لا يشبه هواء الجار

غالبًا ما تُوصف جودة الهواء في المدينة من خلال رقم واحد لحي كامل أو حتى لبلدة بأكملها. لكن في الواقع، يمكن أن يتغير التلوث بشكل حاد على مدى بضعة أمتار — بين طريق مزدحم وساحة هادئة، أو بين موقع بناء وحديقة. تُظهر هذه الدراسة كيف أن مزيجًا من عربة كهربائية مزودة بأجهزة استشعار وذكاء اصطناعي متقدّم يمكن أن يكشف عن هذه الأنماط الخفية، وكيف يمكن أن تؤدي هذه المعرفة إلى طرق أكثر ذكاءً لمراقبة وإدارة الهواء الذي نتنفسه.

مختبر متحرك على مسار الحرم الجامعي

حوّل الباحثون عربة غولف كهربائية إلى مختبر هواء متنقل وقادوها مرارًا حول حرم معهد فايتزمان للعلوم في إسرائيل، وهي منطقة تبلغ 1.1 كيلومتر مربع فقط. كانت على متن العربة أدوات تقيس ثاني أكسيد النيتروجين (غاز مرتبط بالمرور)، والأوزون، والجسيمات الدقيقة (PM1 وPM2.5)، ودرجة الحرارة، والرطوبة، والضغط، والرياح. على مدار ثلاثة مواسم في 2024 أتمّوا 66 جولة على مسار ثابت مع 17 نقطة توقف مخططة، مجمّعين نحو 180000 قياس تقريبًا كل حوالي 5 أمتار على طول المسار. ثم دمجوا هذه القراءات مع صور جوية مفصّلة تُظهر أماكن المباني والطرق والنباتات والأراضي المفتوحة، محولين الحرم إلى "خريطة" عالية الدقة لكل من التلوث والأسطح التي يتفاعل معها.

بؤر خفية وإيقاعات يومية

كشفت الخرائط أن مستويات الملوثات يمكن أن تتغير بشكل دراماتيكي على مسافات قصيرة. كان ثاني أكسيد النيتروجين في بعض مناطق الحرم يصل إلى ضعف مستوياته في مناطق أخرى، خاصة قرب شارع رئيسي وبالقرب من طريق سريع ومصنع أسمنت مجاور. تميّزت مواقع البناء كمصادر قوية للجسيمات الخشنة، لكن فقط في ظروف جافة — ففي الصباحات الرطبة أنتجت الرمال المبللة غبارًا أقل بكثير. كما لاحظ الفريق أنماطًا يومية قوية: يميل ثاني أكسيد النيتروجين والجسيمات الدقيقة إلى الارتفاع صباحًا مع ذروة حركة المرور ثم الانخفاض مع ازدياد الأوزون المتشكل بفعل ضوء الشمس نحو منتصف النهار. كان الأوزون نفسه أكثر توزعًا عبر المكان مما توقّعوا لكنه تفاوت بقوة على مدار اليوم. تؤكد هذه النتائج أن القراءات "المتوسطة" للمدينة قد تغفل جيوب تعرض مكثفة وقصيرة الأمد على بعد بضعة شوارع فقط.

تعليم الذكاء الاصطناعي لملء الفراغات

نظرًا لاستحالة القياس في كل مكان مرة واحدة، لجأ الفريق إلى نوع حديث من الذكاء الاصطناعي يُعرف بالمحول — شبيه في الفكرة بالنماذج التي تشغّل أدوات اللغة المتقدمة. درّبوا مُرمّز آلي قناع يعتمد على المحول ليأخذ مجموعة محدودة جدًا من القياسات (ربع نقاط الخريطة والمتغيرات فقط) ويُعيد إنشاء ثلاثة أرباع المفقودة. لتعويض صغر مجموعة البيانات الواقعية نسبيًا، قاموا أولًا بتدريب النموذج مبدئيًا على حقول اصطناعية مولّدة حاسوبيًا تحاكي أنماطًا معقّدة لكنها واقعية. بعد التكييف على بيانات الحرم، أمكن للذكاء الاصطناعي إعادة إنتاج خرائط مفصّلة للتلوث والطقس بدقة عالية، حيث استوعب نحو 89% من التباين الحقيقي وصنّف المستويات من منخفضة إلى شديدة ضمن عشر فئات بموثوقية قوية.

ما الذي "ينتبه" إليه النموذج

على عكس العديد من أنظمة الذكاء الاصطناعي ذات الصندوق الأسود، توفر المحولات نافذة على كيفية اتخاذها للقرارات من خلال أنماط "الانتباه" — مقاييس عددية لأي المدخلات تؤثر على كل توقع. من خلال تتبّع هذا الانتباه، استطاع الباحثون رؤية، على سبيل المثال، أن النموذج كثيرًا ما اعتمد على بيانات الجسيمات القريبة لتقدير ثاني أكسيد النيتروجين، وأن معلومات الرياح وتغطية الأرض — أين تقع الطرق والمباني والنباتات — لعبت دورًا أكبر من الارتباطات البسيطة الضعيفة. كانت النباتات والمباني مهمة بشكل خاص لتوقع ثاني أكسيد النيتروجين وPM2.5، مما يبرز كيف تشكّل الأشجار والجدران تدفق الهواء وتراكم الملوثات على مقياس صغير جدًا. كما أن بيانات الرياح، حتى عندما تكون ضوضائية على عربة متحركة، احتوت إشارات قيّمة حول كيفية انتشار وانحلال سُحُب التلوث.

تصميم مراقبة أذكى بعدد أقل من القياسات

بما أن المحول يمكنه العمل مع مجموعات مرنة من نقاط الإدخال، اختبر الفريق استخدام المواقع الأكثر "معلوماتية" فقط التي حددتها خرائط الانتباه. وجدوا أنه بدلاً من أخذ عينات عشوائية بنسبة 25% من الحرم، يمكنهم اختيار مجموعة مختارة من النقاط الرئيسية — أحيانًا لا تتجاوز 15 نقطة عبر الموقع بأكمله — ومع ذلك إعادة بناء أنماط التلوث والطقس الأساسية بشكل أفضل من طريقة إحصائية معيارية. يقترح هذا نهجًا جديدًا لتخطيط مسارات المراقبة ووضع أجهزة الاستشعار: دع ذكاءً اصطناعيًا مدرّبًا على مسوحات سابقة يبرز الأماكن التي توفر كل قراءة جديدة أقصى قدر من المعلومات، مما يخفض التكاليف مع الحفاظ على القيمة العلمية.

ما معنى هذا للأشخاص الذين يتنفسون الهواء

بالنسبة لغير المتخصصين، الرسالة الأساسية واضحة: جودة الهواء التي تواجهها أثناء المشي في حيّك قد تختلف اختلافًا كبيرًا عن تقارير محطة بعيدة، وتعتمد هذه الاختلافات على حركة المرور القريبة والمباني والأشجار وحتى توقيت أعمال البناء. تُظهر هذه الدراسة أن أسطولًا صغيرًا من أجهزة الاستشعار المتنقلة، موجهًا ومفسّرًا بواسطة ذكاء اصطناعي قابل للتفسير، يمكنه رسم هذه التباينات على مقياس الحي بتفصيل ملحوظ. على المدى الطويل، قد تساعد مثل هذه الأساليب مخططي المدن في اتخاذ قرار أين يزرعون الأشجار أو يعيدون توجيه المرور، وتوجيه دراسات صحية تعكس التعرض الحقيقي بشكل أفضل، وتمكين شبكات مراقبة أذكى وأكثر اقتصادية تتابع الهواء الذي نتنفسه فعليًا من باب إلى باب.

الاستشهاد: Nissenbaum, D., Bagon, S., Sarafian, R. et al. Learning neighborhood-scale cross-dependencies among air pollutants, meteorology and land cover using mobile sensing and transformers. npj Clean Air 2, 13 (2026). https://doi.org/10.1038/s44407-026-00054-9

الكلمات المفتاحية: تلوث الهواء الحضري, الاستشعار المتنقل, نماذج المحول, تخطيط على مقياس الحي, مراقبة جودة الهواء