ما بعد النمذجة المكانية والزمانية: مراجعة لتطبيقات التعلم الآلي في تلوث الهواء المرتبط بالمرور مع التركيز على الانبعاثات غير الناجمة عن العادم

لماذا لا يزال غبار المرور مهمًا

تحرص العديد من المدن على تقليل الانبعاثات من عوادم السيارات، ومع ذلك يبقى المرور مصدرًا رئيسيًا للملوثات الضارة. تشرح هذه المقالة المراجعة كيف تُستخدم الطرق الحاسوبية الحديثة، المعروفة بالتعلم الآلي، لتتبع أفضل وفهم تلوث الهواء المرتبط بالمرور، لا سيما الجزيئات الدقيقة الناتجة عن تآكل المكابح والإطارات وغبار الطريق بدلاً من أنبوب العادم. يمكن أن تساعد هذه الرؤى مخططي المدن والخبراء الصحيين على تصميم سياسات أذكى لحماية الأشخاص الذين يعيشون ويعملون ويترددون بالقرب من الطرق المزدحمة.

من أبخرة العادم إلى تآكل الطريق غير المرئي

يشمل تلوث الهواء المرتبط بالمرور كلًا من الغازات والجزيئات. لسنوات، ركزت معظم الاهتمامات على عوادم احتراق الوقود، مثل أكاسيد النيتروجين والجسيمات الدقيقة التي تضر بالرئتين والقلب. أدت القواعد والمحركات الأنظف إلى خفض هذه الانبعاثات من العادم تدريجيًا. لكن الجسيمات الناتجة عن تآكل المكابح والإطارات وطحن سطح الطريق والغبار المعاد تعليقه أصبحت تشكل حصة متزايدة مما نتنفسه بالقرب من الطرق. هذه المصادر غير الناجمة عن العادم أصعب في القياس والسيطرة، ومع ذلك تحمل معادن ومواد أخرى مرتبطة بالربو وأمراض القلب وربما حالات مثل توحد الطفولة ومرض باركنسون.

تعليم الحواسيب لرسم خرائط الهواء الملوث

نظرًا لاستحالة وضع أجهزة قياس الهواء عند كل زاوية شارع، يستخدم الباحثون التعلم الآلي لسد الفجوات. من خلال تغذية النماذج بمعلومات عن مستويات المرور واستخدامات الأراضي والطقس وقراءات من حساسات ثابتة ومتنقلة، يمكنهم إنشاء خرائط مفصلة للملوثات مثل الجسيمات الدقيقة والمعادن وغازات المرور عبر المدينة. غالبًا ما تلتقط الطرق القائمة على الأشجار والتعلّم العميق الأنماط المعقدة في هذه البيانات، بينما تتعامل الطرق الرسومية الأحدث مع مواقع المراقبة والطرق كشبكة مترابطة. تساعد هذه التقنيات في كشف متى وأين يكون الناس أكثر تعرضًا، لكنها تواجه أيضًا صعوبات مع البيانات المتقطعة والمدخلات غير المتناسقة وتحدي جعل النماذج المدربة في مدينة ما تعمل جيدًا في مدينة أخرى.

اكتشاف العوامل الأكثر تأثيرًا على الطريق

ما وراء رسم الخرائط، يمكن للتعلم الآلي أن يبرز العوامل التي تؤثر بأكبر قدر على مستويات التلوث. من خلال فحص كيف تتغير توقعات النموذج عندما تتبدل مدخلات مثل سلوك السائق، نوع المركبة، شدة الكبح، أو الطقس، يمكن للباحثين استنتاج الأنماط التي تستحق اهتمامًا أعمق. تشير الدراسات، على سبيل المثال، إلى أن الكبح القوي والمركبات الأقدم وبعض مواد لبادات المكابح ترفع انبعاثات الجسيمات الدقيقة. ومع ذلك، فإن هذه الترتيبات في الأهمية لا تثبت السببية وقد تُشوَّه بواسطة روابط خفية بين المتغيرات. يؤكد المؤلفون أن هذه النتائج يجب التحقق منها في ضوء الفهم الفيزيائي وأن تُختبر عبر مدن مختلفة قبل أن توجه السياسات.

التقرب إلى جزيئات المكابح والإطارات

تستخدم بعض الأعمال الأكثر ابتكارًا التعلم الآلي لفرز وتصنيف الجزيئات الفردية من غبار الطريق وعينات الهواء. تنتج الميكروسكوبات القوية وأجهزة الاستشعار الكيميائية مجموعات بيانات هائلة من الصور والتركيب لآلاف الجزيئات. تتعلم الخوارزميات بعد ذلك التمييز بين تآكل الإطارات، وتآكل المكابح، والمعادن الطريقية، وأنواع جزيئات أخرى كان من الممل ومعرضًا للخطأ تصنيفها يدويًا. تستخدم الدراسات المعملية لأنظمة المكابح والإطارات نماذج مماثلة لربط خيارات التصميم، مثل محتوى المعدن في اللبادة أو أنماط الكبح، بكمية المادة الحبيبية المنبعثة. بدأت هذه الطرق في فصل التلوث غير الناجم عن العادم عن المصادر الأخرى، مما يفتح الباب لاختبارات أكثر استهدافًا للسمّية ومواد أنظف.

تتبع مصدر التلوث

معرفة مقدار التلوث القادم من كل مصدر أمر حاسم لتنظيم ذكي. تقدر الأدوات الإحصائية التقليدية مقدار الجسيمات المقاسة التي يمكن تتبعها إلى المرور أو الصناعة أو المساهمين الآخرين. يقدم التعلم الآلي الآن طرقًا جديدة لتجميع العينات ذات البصمات الكيميائية المتشابهة ولتصنيف المصادر المحتملة باستخدام خصائص مثل السلوك المغناطيسي. تشير الأعمال المبكرة إلى أن هذه الأدوات قد تضاهي أو تكمل الأساليب الأقدم بينما تتعامل مع بيانات أكثر تعقيدًا، رغم أنها لا تزال تعتمد على تفسير خبراء حذر لتجنب تصنيف المصادر بشكل خاطئ.

ماذا يعني هذا لهواء المدينة وصحة الناس

خلاصة المراجعة أن التعلم الآلي أصبح شريكًا قويًا لدراسة تلوث الهواء المرتبط بالمرور، لا سيما المشكلة المتنامية للانبعاثات غير الناجمة عن العادم. يساعد على بناء خرائط تعرض أدق، وكشف أنماط في القيادة وتصميم المركبات التي ترفع أو تخفض الانبعاثات، وفك خلط مزيج الجزيئات المنتشرة على طول طرقنا. في الوقت نفسه، تظل قلة البيانات، وعدم وضوح اختيارات النماذج، وضعف القابلية للنقل من مكان لآخر عقبات رئيسية. يرى المؤلفون أن التقدم سيعتمد على حساسات أفضل، ومجموعات بيانات مشتركة، وأساليب تدمج الخبرة البشرية مع خوارزميات شفافة. معًا، يمكن أن تدعم هذه الخطوات سياسات تقلل الجسيمات الضارة من المرور وتساعد في حماية الصحة العامة في مدن تزداد اعتمادًا على المركبات.

الاستشهاد: Ho, N., Dhayade, S., Zhang, Y. et al. Beyond spatiotemporal modeling: a review of applications of machine learning for traffic-related air pollution toward non-exhaust emissions. npj Clean Air 2, 33 (2026). https://doi.org/10.1038/s44407-026-00078-1

الكلمات المفتاحية: تلوث هواء المرور, الانبعاثات غير الناجمة عن العادم, التعلم الآلي, تآكل المكابح والإطارات, جودة الهواء الحضري