A Hybrid Multi-scale Convolutional Neural Network-Long Short-Term Memory Model Incorporating Squeeze Excitation Attention for Hourly Air Quality Index Prediction
تقترح هذه الدراسة نموذجاً هجيناً من نوع MSCNN-LSTM معززاً بآلية انتباه "Squeeze-and-Excitation" للتنبؤ بقيم مؤشر جودة الهواء بالساعة، مما يظهر دقة واستقراراً فائقين مقارنة بنماذج التعلم العميق التقليدية من خلال استخراج الميزات متعددة المقاييس والوزن التكيفي للقنوات باستخدام بيانات من مدينة يييانغ.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تعد تلوث الهواء قوة صامتة ومتغيرة تشكل صحة المدن وسلامة الناس الذين يعيشون فيها. ولإدارة هذا التهديد غير المرئي، يعتمد العلماء على رقم واحد يسمى مؤشر جودة الهواء (AQI). يعمل هذا المؤشر كتقرير درجات يومي، حيث يترجم المزيج المعقد من الدخان والغبار والغازات إلى درجة تخبرنا ما إذا كان الهواء آمنًا للاستنشاق. ومع ذلك، فإن الهواء لا يبقى ساكنًا؛ بل يتغير ساعة بساعة، مدفوعًا بالطقس وحركة المرور والنشاط الصناعي. إن التنبؤ بهذه التغييرات أمر صعب لأن العوامل المعنية تتفاعل بطرق فوضوية وغير خطية. وغالبًا ما تعاني الطرق التقليدية من رؤية الصورة الكاملة، فتفوت الأنماط الدقيقة التي تشير إلى ارتفاع مفاجئ في التلوث أو صفاء سريع للسماء. ولحل هذه المشكلة، توجه الباحثون إلى فرع من علوم الحاسوب يُعرف بالتعلم العميق، حيث تتعلم برامج الكمبيوتر التعرف على الأنماط في كميات هائلة من البيانات، تمامًا كما يتعلم العقل البشري من الخبرة.
في دراسة حديثة ركزت على مدينة يي يانغ في مقاطعة هونان، وضع فريق من الباحثين هدفًا لبناء "بلورة سحرية" أفضل لجودة الهواء. أرادوا إنشاء نظام يمكنه التنبؤ بمؤشر جودة الهواء بالساعة بدقة عالية، باستخدام بيانات من العامين الماضيين. طور الفريق، بقيادة هواوي شو وزملائه، نموذجًا حاسوبيًا هجينًا جديدًا يجمع بين ثلاث أدوات رقمية متميزة لمحاكاة الطريقة التي يعمل بها الغلاف الجوي. أولاً، استخدموا شبكة عصبية تلافيفية متعددة المقاييس، وهي نوع من البرامج المصممة للنظر إلى البيانات من خلال "عدسات" مختلفة في آن واحد. تخيل أنك تحاول فهم مشهد طبيعي من خلال النظر إليه بعدسة واسعة الزاوية، وعدسة تليفوتوغرافي، وعدسة تقريب (زووم) في وقت واحد؛ تفعل هذه الأداة الشيء نفسه بالنسبة للوقت، حيث تلتقط الارتفاعات قصيرة المدى، والاتجاهات متوسطة المدى، والدورات طويلة المدى في بيانات التلوث جميعها في آن واحد.
بعد ذلك، قدم الفريق آلية تسمى "الضغط والإثارة" (Squeeze-and-Excitation attention). تعمل هذه الآلية كمرشح ذكي للمعلومات التي جمعها الكمبيوتر. ففي وسط عاصفة من البيانات، ليست كل قطعة من المعلومات متساوية في الأهمية في كل لحظة. تسمح آلية الانتباه هذه للنموذج بالتوقف، وتقييم العوامل التي تقود مستويات التلوث حاليًا، وتضخيم تلك الإشارات مع تجاهل الضجيج. وأخيرًا، يغذي النظام هذه المعلومات المنقحة في شبكة "الذاكرة الطويلة قصيرة المدى" (LSTM). هذا الجزء من النموذج متخصص في تذكر الماضي؛ فهو يحتفظ بتاريخ كيفية تغير جودة الهواء، مما يسمح له بفهم كيف يمكن لصباح بارد أن يؤدي إلى بعد ظهر ضبابي، أو كيف يمكن لأسبوع من الأمطار أن ينقي الهواء. ومن خلال نسج هذه المكونات الثلاثة معًا، خلق الباحثون نموذجًا لا ينظر إلى البيانات فحسب، بل يفهم القصة التي ترويها.
اختبر الباحثون نموذجهم الجديد مقابل طرق أقدم وأبسط باستخدام بيانات من العالم الحقيقي من مدينة يي يانغ، تغطي كل ساعة من يناير 2023 إلى ديسمبر 2024. قاموا بتغذية الكمبيوتر بسجلات تاريخية للملوثات مثل الجسيمات الدقيقة وثاني أكسيد الكربون، جنبًا إلى جنب مع بيانات الطقس مثل درجة الحرارة والرياح والضغط الجوي. كانت النتائج مذهلة؛ فقد تفوق النموذج الهجين الجديد على النهج القياسي، حيث قلل أخطاء التنبؤ بنحو الربع مقارنة بالنماذج الأساسية. وحقق درجة 0.96 على مقي de حيث يمثل الرقم 1.0 تطابقًا مثاليًا، مما يعني أن توقعاته كانت قريبة جدًا مما حدث فعليًا في الهواء. وقد أثبت النموذج كفاءة خاصة في التعامل مع الحالات القصوى، حيث تنبأ بدقة بكل من ذروات التلوث الخطيرة في الشتاء والقيم المنخفضة والنظيفة في الصيف.
كشفت الدراسة أيضًا كيف يتصرف الهواء في يي يانغ على مدار العام. أظهرت البيانات إيقاعًا واضحًا: مستويات التلوث تكون في أعلى مستوياتها في الشتاء، حيث تتجاوز غالبًا 100 على المؤشر، مدفوعة بدرجات الحرارة الباردة التي تحبس الدخان بالقرب من الأرض وحرق الوقود للتدفئة. في المقابل، يكون هواء الصيف أنظف بكثير، حيث تنخفض متوسط الدرجات إلى ما دون 40، بفضل الأمطار الغزيرة التي تغسل الملوثات والحرارة المرتفعة التي تساعد في تشتيتها. تعلم نموذج الكمبيوتر هذه القواعد الموسمية بشكل طبيعي، دون أن يتم إخباره صراحةً بتواريخ التقويم. وعندما طلب الباحثون من النموذج شرح العوامل الأكثر أهمية، أشار إلى نفس الأشياء التي يتوقعها خبير بشري: تركيز الجسيمات الدقيقة، ودرجة الحرارة، والضغط الجوي. وأكد النموذج أنه عندما ترتفع أو تنخفض هذه الأرقام المحددة، تتبع جودة الهواء ذلك المسار.
من خلال الجمع بين القدرة على رؤية الأنماط بسرعات مختلفة، والذكاء للتركيز على ما يهم، والذاكرة للتعلم من التاريخ، يقدم هذا النهج الجديد أداة قوية لمخططي المدن ومسؤولي الصحة العامة. فهو لا يخمن المستقبل فحسب، بل يحسبه بناءً على الواقع المعقد والمتغير للغلاف الجوي. وتوضح الدراسة أنه عندما نمنح أجهزة الكمبيوتر الأدوات المناسبة للنظر إلى العالم، يمكنها مساعدتنا في رؤية الأخطار غير المرئية في هوائنا بوضوح غير مسبوق، مما يوفر دليلًا موثوقًا لحماية المجتمعات من المخاطر الصحية للتلوث.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.