X2-AQFormer: الكشف عن العوامل الديناميكية في التنبؤ بتلوث الهواء بالساعة عبر عدة أيام

لماذا تهمك توقعات الهواء الأنظف

تلوث الهواء في المدن ليس مجرد إحصائية صحية مجردة — فهو يؤثر على إمكانية لعب الأطفال بالخارج بأمان، وكيفية استعداد المستشفيات لنوبات الربو، ومتى ينبغي للمسافرين أن يتركوا سياراتهم في المنزل. على وشك تطبيق تشديد قواعد أوروبية على حدود الملوثات الشائعة مثل أكاسيد النيتروجين والجسيمات الخشنة (PM10)، مما يترك للمدن هامشاً ضيقاً للخطأ. تُقدّم هذه الدراسة نهجاً تنبؤياً جديداً لا يتنبأ فقط بمستويات التلوث لعدة أيام قادمة، بل يشرح أيضاً لماذا من المتوقع أن يتحسن الهواء أو يتدهور، مما يساعد المسؤولين والجمهور على اتخاذ قرارات أذكى وأكثر موثوقية.

طريقة أكثر ذكاء لرصد هواء الغد

يركز الباحثون على ملوثين رئيسيين في ستوكهولم: أكاسيد النيتروجين (المرتبطة بشكل أساسي بحركة المرور) وPM10 (جسيمات أكبر من غبار الطرق ومصادر أخرى). تحاكي النماذج التقليدية كيفية حركة وتفاعل التلوث في الغلاف الجوي بالاعتماد على الفيزياء، لكنها غالباً ما تظهر أخطاء منهجية وتعتمد على دقة بيانات الإدخال. يمكن لأنظمة التعلم الآلي الحديثة تصحيح العديد من هذه الأخطاء والتقاط أنماط معقدة، لكنها عادةً ما تتصرف كـ"صناديق سوداء" لا تُظهر منطقها الداخلي. سعى المؤلفون لبناء نظام تنبؤ يحافظ على دقة التعلم العميق المتقدم مع كشف واضح لأي عوامل — مثل الرياح أو أنماط المرور أو جبهات الطقس القادمة — تدفع توقعاته خلال الساعات والأيام المقبلة.

دماغ شفاف لجودة الهواء

في صميم الدراسة نموذج X2-AQFormer، وهو نموذج تعلّم عميق قائم على بنية المحول (Transformer) المصممة أصلاً للتعامل مع التسلسلات الطويلة، مثل الجمل. يستقبل النموذج مزيجاً من المعلومات: قياسات التلوث الحديثة في أربعة مواقع رصد، وتوقعات الطقس التفصيلية، ومخرجات من نظام جودة هواء قائم على الفيزياء يحاكي التلوث على مستوى المنطقة وفي أودية الشوارع. بدلاً من التنبؤ بالساعة القادمة ثم التقدم خطوة بخطوة مراراً، ينتج X2-AQFormer مباشرة تسلسلاً كاملاً من التنبؤات اليومية لكل ساعة لمدة 72 ساعة لكل من أكاسيد النيتروجين وPM10. آلية "الانتباه" الخاصة به تعمل ككشاف ضوء، وتوزّع أوزاناً متغيرة على المدخلات المهمّة لكل ساعة مستقبلية، ويمكن قراءة هذه الأوزان لبيان كيف يفكر النموذج.

تنبؤات أفضل حيث يتنفس الناس

لاختبار النهج الجديد، قارن المؤلفون أدائه بعدة منافسين أقوياء: التنبؤ الحتمّي التشغيلي المستخدم في ستوكهولم، وشبكات محولات معيارية، وطرق الأشجار الشائعة مثل XGBoost وRandomForest. عبر المواقع الأربعة — ثلاثة أودية شوارع مزدحمة ومحطة خلفية حضرية واحدة — قدّم X2-AQFormer تنبؤات أكثر دقة باستمرار، خاصة بعد الساعات الأولى. على مدى يوم إلى ثلاثة أيام خفّض مؤشرات الخطأ النموذجية بنحو ثُلث مقارنة بالنموذج الحتمي، وتفوّق على قواعد المقارنة في التعلم العميق بما يصل إلى نحو 11 في المئة. ومن اللافت أنه كان جيداً على نحو خاص في تصحيح التقليل المنهجي من PM10 والمبالغة في تقدير أكاسيد النيتروجين الواردَين في التنبؤات المبنية على الفيزياء، كما اكتشف حلقات عالية التلوث بتوازن أفضل بين التقاط الذروات الخطيرة وعدم إطلاق الكثير من الإنذارات الكاذبة.

رؤية المحركات الخفية للهواء القذر والنظيف

بما أن درجات انتباه X2-AQFormer مدمجة، تمكن الفريق من تتبّع كيف ترتفع وتقلّ تأثيرات مختلفة مع الزمن. بالنسبة لأكاسيد النيتروجين في شارع مزدحم، كانت القياسات الأخيرة والتنبؤات الحتمية متعددة الأيام هي المحركات الأساسية، بينما في موقع الخلفية على مستوى المدينة أصبحت الرياح وغطاء السحب ودرجة الحرارة أكثر أهمية، مما يعكس دور الحركات الجوية الإقليمية. بالنسبة لـPM10 بالقرب من المرور، اعتمد النموذج على مستويات الجسيمات السابقة وظروف الطقس التي تتحكم في إعادة إثارة غبار الطرق، بينما في موقع الخلفية كان „يثق" إلى حد كبير في التنبؤات الحتمية. كما ركّز الباحثون على أحداث مطرية محددة: على الرغم من أن هطول الأمطار بدا غير مهم في المتوسط، زاد النموذج بشكل حاد من الوزن الممنوح للهطول قبل وأثناء الزخات الممتدة، مما يعكس كيف تكبح الطرق المبللة الغبار. وعلى مدى أفق الـ72 ساعة، نقل النظام التأثير بسلاسة من تنبؤات اليوم الأول إلى اليوم الثاني إلى اليوم الثالث، مظهراً نمط تتابعي بديهي في كيفية استخدامه للمعلومات الواردة.

تحويل البصيرة إلى أدوات أبسط وأقوى

قابلية تفسير X2-AQFormer ليست مجرد موضوع أكاديمي؛ فهي تشير مباشرة إلى طرق لتبسيط وتحسين الأنظمة الحقيقية. من خلال ترتيب عوامل الإدخال وفق مساهمتها، أظهر المؤلفون أنه بالنسبة لأكاسيد النيتروجين يمكنهم التخلص من نحو 70 بالمئة من الميزات مع الحفاظ على الأداء أو تحسينه قليلاً، مما ينتج نموذجاً أخف وأسهل في الصيانة. تطلّب PM10 مجموعة أوسع من المدخلات، مما يبرز سلوكها الأكثر تعقيداً. بشكل عام، تقترح الدراسة سير عمل عملي "تنبؤ-تحقق-فسّر-حسّن"، يمكن للمدن بموجبه بناء توقعات دقيقة، اختبارها بصرامة، فتح منطقها الداخلي، ثم تبسيطها للاستخدام اليومي. بالنسبة لصانعي السياسات والمواطنين، يعني ذلك توقعات هواء أنظف ليست أكثر حدة فحسب، بل أيضاً أكثر شفافية وثقة.

الاستشهاد: Zhang, Z., Schlesinger, D., Johansson, C. et al. X2-AQFormer: unveiling dynamic drivers in multi-day hourly air pollution forecasting. npj Clean Air 2, 17 (2026). https://doi.org/10.1038/s44407-026-00058-5

الكلمات المفتاحية: تنبؤ تلوث الهواء, جودة الهواء الحضرية, الذكاء الاصطناعي القابل للتفسير, نماذج المحولات, أكاسيد النيتروجين وPM10