Leveraging Remote Traffic Data for Local Air Pollutant Estimation: A Scenario-Based Machine Learning Study Across London Monitoring Sites
تُظهر هذه الدراسة أن دمج بيانات حركة المرور التي تم الحصول عليها عن بُعد في نماذج تعلم آلي قائمة على الأشجار قابلة للتفسير يحسن بشكل كبير من تقدير تركيزات ملوثات الهواء المحلية في لندن، حيث ثبت أن متغيرات حركة المرور لا تقل أهمية عن قياسات المحطات المجاورة في البيئات التي تهيمن عليها حركة المرور.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
الهواء غير مرئي، لكن جودته تُحس في كل مرة نتنفس فيها. في المدن حول العالم، تعد المركبات مصدراً رئيسياً للجسيمات والغازات غير المرئية التي يمكن أن تضر بصحة الإنسان. ولحماية الناس، يحتاج العلماء ومخططوا المدن إلى معرفة كمية التلوث الموجودة في الهواء بدقة في أي لحظة. تقليدياً، تطلب هذا الأمر وضع محطات مراقبة مادية على زوايا الشوارع، وهي مكلفة من حيث البناء والصيانة. وبسبب تكلفة هذه المحطات، تفتقر العديد من الأحياء إليها، مما يترك فجوات في معرفتنا بالأماكن التي يكون فيها الهواء نظيفاً والأماكن التي يكون فيها خطيراً. وهناك فكرة متنامية في العلوم البيئية تتمثل في استخدام البيانات التي نمتلكها بالفعل من مصادر أخرى — مثل حركة السيارات والطقس — لملء تلك الفجوات. وإذا كانت أنماط حركة المرور والظروف الجوية يمكنها التنبؤ بمستويات التلوث بشكل موثوق، فقد تتمكن المدن من تقدير جودة الهواء في الأماكن التي تفتقر إلى أجهزة الاستشعار، باستخدام المعلومات التي يتم جمعها عن بُعد فقط.
لقد وضع فريق من الباحثين هدفاً لاختبار هذه الفكرة في لندن، وهي مدينة ذات شبكة معقدة من الطرق وكثافة سكانية عالية. أرادوا معرفة ما إذا كان بإمكانهم بناء نموذج حاسوبي يتنبأ بمستويات أربعة ملوثات محددة — ثاني أكسيد النيتروجين، والأوزون، ونوعين من الجسيمات الدقيقة — باستخدام بيانات حركة المرور وتقارير الطقس والوقت من اليوم فقط. وكان الباحثون مهتمين بشكل خاص بمعرفة ما إذا كان إضافة معلومات حركة المرور في الوقت الفعلي، مثل سرعة تحرك السيارات ومدة الرحلات، سيجعل تنبؤاتهم أكثر دقة. وقارنوا نماذجهم الحاسوبية بنهج أبسط يعتمد فقط على القياسات من محطات جودة الهواء القريبة، متسائلين سؤالاً جوهرياً: هل معرفة حركة المرور تساعدنا حقاً في تخمين مستويات التلوث بشكل أفضل من مجرد النظر إلى بيانات الجيران؟
وللإجابة على ذلك، ركز العلماء على ثلاثة مواقع في شوارع مزدحمة في لندن حيث تعد حركة المرور هي المصدر الرئيسي للتلوث. لقد جمعوا بيانات ساعية لمدة ستة أشهر، تجمع بين سجلات سرعة المركبات وأوقات السفر من خدمة تجارية لحركة المرور مع بيانات الطقس المحلية وقياسات التلوث الفعلية المسجلة عند زوايا تلك الشوارع تحديداً. ثم قاموا بتدريب عدة أنواع مختلفة من نماذج التعلم الحاسوبي لإيجاد الأنماط التي تربط بين هذه المتغيرات. واختبر الفريق هذه النماذج تحت ظروف مختلفة. في سيناريو واحد، كان على النماذج تخمين التلوث باستخدام حركة المرور والطقس والوقت فقط. وفي سيناريوهات أخرى، سُمح لها باستخدام قياسات من أقرب محطات جودة الهواء الخلفية وحتى من محطات حركة المرور القريبة الأخرى. سمح هذا للباحثين برؤية ما إذا كانت بيانات حركة المرور تضيف أي قيمة جديدة أم أنها تكرر فقط المعلومات التي تمتلكها النماذج بالفعل من المحطات القريبة.
أظهرت النتائج أن بيانات حركة المرور تساعد بالفعل، لكن قيمتها تعتمد بشكل كبير على ما يتم قياسه وأين. بالنسبة لثاني أكسيد النيتروجين، وهو غاز ينتج مباشرة من محركات السيارات، كانت معلومات حركة المرور فعالة للغاية. وفي بعض الحالات، كانت معرفة سرعة وتدفق حركة المرور على الطريق مفيدة بقدر الحصول على قياس من محطة مراقبة قريبة للتنبؤ بمستويات التلوث. تعلمت النماذج الحاسوبية أنه عندما تتباطأ حركة المرور أو تتسارع، تتغير مستويات ثاني أكسيد النيتروجين بطريقة يمكن التنبؤ بها. وهذا يشير إلى أنه في المناطق التي تهيمن عليها السيارات، يمكن لبيانات حركة المرور أن تعمل كبديل قوي لجهاز استشعار مادي. ومع ذلك، كانت القصة مختلفة بالنسبة للملوثات الأخرى؛ فبالنسبة للجسيمات الدقيقة والأوزون، ساعدت بيانات حركة المرور أحياناً، لكنها في كثير من الأحيان لم تحسن التنبؤ، وفي بعض الحالات المحددة، جعلت التقديرات أسوأ قليلاً. يشير هذا إلى أنه بينما تعد حركة المرور مصدراً مباشراً لبعض الملوثات، فإن تشكيل ملوثات أخرى هو عملية أكثر تعقيداً وتتأثر بعوامل لا تستطيع بيانات حركة المرور وحدها التقاطها.
اختبر الباحثون أيضاً ما إذا كان النموذج الذي تم تدريبه في جزء من لندن يمكن استخدامه للتنبؤ بالتلوث في جزء مختلف من المدينة دون إعادة تدريب. هذا الاختبار "عابر للمواقع" مهم للمدن التي ترغب في تطبيق نموذج واحد على العديد من الأحياء. كانت النتائج مختلطة؛ ففي موقع واحد، أدى النموذج الذي تم تدريبه على بيانات من طريق رئيسي قريب أداءً أفضل من النموذج الذي تم تدريبه خصيصاً على البيانات المحلية، مما يشير إلى أن أنماط حركة المرور كانت متشابهة بما يكفي لنقل المعرفة. أما في موقع آخر، فقد كان أداء النموذج أسوأ بكثير، مما يظهر أن مجرد القرب الجغرافي ليس كافياً لضمان النجاح. ومن المرجح أن الاختلافات في تخطيط الطرق، وأنواع المركبات، والمباني المحيطة لعبت دوراً في سبب نجاح النموذج في مكان وفشله في آخر.
وعندما قارن الفريق بين نماذجهم الحاسوبية والطرق التقليدية المستخدمة لتقدير التلوث في المساحات الفارغة، أثبتت نماذج التعلم الآلي تفوقها. فالطرق القديمة، التي ترسم ببساطة خطوطاً بين نقاط القياس القريبة، عانت في رصد التغيرات الحادة في التلوث التي تحدث في الشوارع المزدحمة. أما النماذج الجديدة، التي جمعت بين حركة المرور والطقس والوقت، فقد كانت قادرة على تتبع هذه التقلبات بشكل أوثق. ويشير هذا إلى أنه بالنسبة للمدن التي تحاول رسم خريطة لجودة الهواء في المناطق التي تفتقر إلى أجهزة الاستشعار، فإن استخدام بيانات حركة المرور عن بُعد هو استراتيجية قابلة للتطبيق وغالباً ما تكون ضرورية. وتخلص الدراسة إلى أنه بينما لا تعد بيانات حركة المرور حلاً سحرياً يحل كل المشكلات، إلا أنها توفر قطعة قيمة من اللغز. إذ يمكنها تحسين التنبؤات المتعلقة بالملوثات المرتبطة بحركة المرور بشكل كبير، مما يوفر وسيلة لمراقبة جودة الهواء في الأماكن التي لا يمكن فيها تركيب محطة مادية. والمغزى الرئيسي هو أن فائدة هذه البيانات تعتمد على الظروف المحلية المحددة، ويجب أن تأخذ الجهود المستقبلية في الاعتبار الخصائص الفريدة لكل حي للحصول على أدق صورة للهواء الذي نتنفسه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.