A Novel Fuzzy Hybrid Deep Learning Architecture for Spatiotemporal PM2.5 Prediction

إن استنشاق هواء نقي هو حاجة إنسانية أساسية، ومع ذلك، في العديد من أكبر مدن العالم، تُعد جودة الهواء الذي نتنفسه مقامرة مستمرة. وبينما تظهر بعض الملوثات على شكل ضباب دخاني مرئي، فإن الجسيمات الأكثر خطورة هي غالباً تلك غير المرئية للعين المجردة. هذه هي الجسيمات الدقيقة، المعروفة باسم PM2.5، والتي سُميت بهذا الاسم نظراً لحجمها الضئيل الذي يبلغ 2.5 ميكرومتر في القطر. ولأنها صغيرة جداً، يمكنها التسلل إلى عمق الرئتين وحتى دخول مجرى الدم، مما يشكل مخاطر جسيمة على صحة القلب والرئة. ويتمثل التحدي الذي يواجه العلماء ومخططي المدن في أن هذه الجسيمات لا تبقى في مكان واحد؛ فهي تنجرف مع الرياح، وتستقر في الوديان، وتزداد تركيزاتها بالقرب من الطرق المزدحمة أو أثناء الطقس البارد والراكد. ولحماية الصحة العامة، تحتاج السلطات إلى معرفة ليس فقط جودة الهواء الآن، بل كيف ستكون غداً. ومع ذلك، فإن التنبؤ بهذه التحولات أمر صعب للغاية لأن الهواء يتأثر بمزيج فوضوي من العوامل: الطقس، وتخطيط المدينة، وكثافة حركة المرور، وحتى شكل الأرض.

لعقود من الزمن، كانت الطريقة الأساسية لقياس هذا التلوث تتم عبر محطات مراقبة فيزيائية منتشرة في أنحاء المدينة. توفر هذه المحطات قراءات دقيقة ومباشرة، لكن بناءها وصيانتها مكلفان للغاية، مما يعني وجود فجوات كبيرة بينها حيث لا أحد يعرف جودة الهواء. لسد هذه الفجوات، لجأ الباحثون إلى الأقمار الصناعية والحواسيب. يمكن للأقمار الصناعية رؤية الغلاف الجوي من الفضاء، حيث ترصد كمية الغبار والضباب العالق في عمود الهواء، بينما يمكن للحواسيب محاولة تعلم الأنماط المعقدة التي تربط هذه الرؤية من الفضاء بمستوى الأرض الذي نتنفس فيه الهواء. والمشكلة تكمن في أن العلاقة بين ما يراه القمر الصناعي من ارتفاع شاهق وما يتنفسه الشخص عند مستوى الشارع ليست خطاً مستقيماً؛ بل هي شبكة متشابكة من الظروف المحلية، وأخطاء القياس، وأنماة الطقس المتغيرة التي غالباً ما تعجز النماذج الحاسوبية التقليدية عن فك تشابكها.

في دراسة حديثة ركزت على طهران، عاصمة إيران، طور باحث طريقة جديدة لحل هذا اللغز. تُعد طهران مكاناً صعباً للغاية للدراسة لأنها مدينة ضخمة مترامية الأطراف مبنية في وادٍ محاط بالجبال. يخلق هذا التضاريس أنماطاً جوية فريدة حيث يمكن أن ينحبس التلوث، كما أن المدينة مزدحمة بالمرور والسكان، مما يخلق شبكة معقدة من مصادر التلوث. أراد الباحث إنشاء نظام يمكنه التنبؤ بجودة الهواء لليوم التالي بدقة عالية، ليس فقط في المواقع القليلة التي توجد بها أجهزة استشعار، بل في جميع أنحاء المدينة. ولتحقيق ذلك، بنى نوعاً جديداً من بنية الذكاء الاصطناعي، أطلق عليه اسم "التعلم العميق الهجين الضبابي". قد يبدو هذا الاسم مخيفاً، لكن المفهوم بسيط: فبدلاً من الاعتماد على نوع واحد من البرامج الحاسوبية للقيام بكل العمل، قام بدمج عدة أدوات متخصصة مختلفة في فريق واحد، حيث يتولى كل أداة جزءاً معيناً من المشكلة.

أدرك الباحث أن التنبؤ بالتلوث يتطلب فهم أربعة أشياء متميزة في آن واحد: عدم اليقين في البيانات، والجغرافيا المحلية، وتاريخ الطقس، والاتجاهات الجوية واسعة النطاق. أولاً، كان عليه التعامل مع حقيقة أن ليست كل البيانات مثالية؛ فصور الأقمار الصناعية قد تكون غائمة، ومستشعرات الطقس قد تنحرف عن دقتها. وللتعامل مع هذا، منح نموذجه "دماغاً ضبابياً". وبالمعنى اليومي، يعني هذا أن النموذج تعلم أن بعض المعلومات أكثر موثوقية من غيرها. فإذا بدت قراءة القمر الصناعي مهتزة أو غير مؤكدة، لم يعاملها النموذج كحقيقة مطلقة، بل عدل درجة ثقته، مما سمح للتنبؤ بالبقاء مستقراً حتى عندما كانت البيانات المدخلة غير كاملة. وهذه خطوة حاسمة لأنها تمنع الحاسوب من الارتباك بسبب المعلومات المشوشة أو الناقصة.

بعد ذلك، احتاج النموذج لفهم شكل المدينة. فالتلوث لا ينتشر بالتساوي؛ إذ يتراكم بالقرب من الطرق السريعة المزدحمة وفي المناطق المنخفضة، بينما يتبدد في المتنزهات أو في الأماكن المرتفلة. استخدم الباحث مكوناً في نظامه مصمماً للنظر في التوزيع المكاني، تماماً مثل قارئ الخرائط. حلل هذا الجزء من النموذج كثافة الطرق، وعدد السكان القريبين، ونوع الغطاء الأرضي، مثل ما إذا كانت المنطقة مغطاة بالخضرة أو بالخرسانة. ومن خلال النظر في هذه الأنماط المحلية، استطاع النموذج أن يتعلم أن الشارع الذي يشهد حركة مرور كثيفة مع قلة الأشجار سيكون على الأرجح أسوأ حالاً من منطقة سكنية هادئة ذات مساحات خضراء.

وفي الوقت نفسه، كان على النموذج أن يتذكر الماضي. فالتلوث في الهواء ليس حدثاً عشوائياً يحدث بمعزل عن غيره، بل هو قصة تتكشف فصولها بمرور الوقت. فقد تؤدي ليلة باردة بلا رياح إلى حبس التلوث، والذي يستمر بعد ذلك حتى الصباح التالي. ولتجسيد ذلك، أدرج الباحث مكوناً يعمل مثل "ذاكرة قصيرة المدى". نظر هذا الجزء من النظام في كيفية تغير مستويات التلوث ساعة بساعة ويوماً بيوم، وتعلم التعرف على أنماط مثل تراكم الضباب الدخاني خلال فترات الانقلاب الحراري في الشتاء أو انقشاع الهواء بعد هطول الأمطار. وقد سمح ذلك للنموذج بفهم أن تلوث اليوم هو غالباً نتيجة مباشرة لطقس وأبخرة الأمس.

أخيراً، كان على النموذج ربط النقاط عبر المدينة بأكملها والغلاف الجوي الأوسع. فأحياناً، يكون التلوث في جزء من طهران ناتجاً عن غبار تهب به الرياح من مئات الأميال، أو بسبب أنظمة جوية تؤثر على المنطقة بأكملها. لالتقاط هذه الروابط بعيدة المدى، أضاف الباحث مكوناً ينظر إلى الصورة الكبيرة. قام هذا الجزء من النظام بمسح تسلسل البيانات بالكامل للعثور على العلاقات التي تفصلها مسافات زمنية أو مكانية، مما يضمن عدم تفويت النموذج لتأثير أنماط الطقس البعيدة أو أحداث التلوث الإقليمية.

تكمن براعة هذا النظام الجديد في كيفية تواصل هذه الأجزاء الأربعة مع بعضها البعض. فبدلاً من مجرد تكديسها فوق بعضها البعض، صمم الباحث نظاماً تتبادل فيه هذه الأجزاء المعلومات باستمرار وتعدل تركيزها. فإذا كانت بيانات الطرق المحلية قوية جداً، يولي النموذج اهتماماً أكبر لها. وإذا كان تاريخ الطقس هو العامل الأكثر أهمية ليوم معين، يتولى مكون الذاكرة زمام المبادرة. وإذا كانت بيانات القمر الصناعي غير مؤكدة، يقوم المكون الضبابي بتنعيم الضجيج. هذا العمل الجماعي الديناميكي يسمح للنموذل بالتكيف مع الظروف التي تحدث في أي يوم، بدلاً من اتباع قاعدة جامدة ومحددة مسبقاً.

عندما اختبر الباحث هذا النظام الجديد في طهران، كانت النتائج مذهلة. فقد قارن نموذجه بسبعة برامج حاسوبية أخرى شائعة تُستخدم حالياً للتنبؤ بجودة الهواء. تفوق النظام الجديد عليها جميعاً بفارق كبير؛ فقد تنبأ بمستويات PM2.5 لليوم التالي بخطأ يقل عن ميكروغرام واحد لكل متر مكعب، وهو مستوى من الدقة عالٍ للغاية بالنسبة لهذا النوع من التنبؤ. وفي المقابل، سجلت النماذج الأخرى أخطاءً كانت غالباً أكبر بعشر إلى ثلاثين مرة. كما كان النموذج الجديد متسقاً للغاية؛ فعندما أجرى الباحث الاختبار نفسه خمس عشرة مرة، كانت النتائج متطابقة تقريباً في كل مرة، مما أظهر أن النظام مستقر وموثوق. كما استطاع أيضاً إنتاج خريطة تفصيلية لجودة الهواء في المدينة بدقة تصل إلى كيلومتر واحد، موضحاً بالضبط الأحياء التي يُحتمل أن تكون ملوثة والأحياء التي ستكون نظيفة، وهو مستوى من التفصيل لا تستطيع أجهزة الاستشاس الفيزيائية وحدها توفيره.

كشفت الدراسة أيضاً عن العوامل الأكثر أهمية في المدينة. فقد حدد النموذج أن كمية الغبار والضباب المرئية من الفضاء هي المفتاح الأهم للتنبؤ بالتلوث على مستوى الأرض. ومع ذلك، وجد أيضاً أن كثافة شبكة الطرق وعدد السكان في منطقة ما كانا على نفس القدر من الأهمية تقريباً. وهذا يؤكد أنه في مدينة مثل طهران، فإن النشاط البشري وحركة المرور لا يقلان أهمية عن الطق نفسه فيما يتعلق بجودة الهواء. كما تعلم النموذج أن النباتات تساعد، حيث مالت المناطق ذات المساحات الخضرة الأكثر إلى امتلاك مستويات تلوث أقل، ويرجع ذلك على الأرجح إلى قدرة النباتات على حبس الغبار ولأن هذه المناطق غالباً ما تشهد حركة مرور أقل.

إن ما يجعل هذا العمل قيماً بشكل خاص هو أنه ليس مجرد تمرين نظري. فالنظام سريع بما يكفي للاستخدام في الوقت الفعلي؛ إذ يمكنه توليد تنبؤ للمدينة بأكملها في أقل من ثانية، مما يعني إمكانية استخدامه من قبل مسؤولي المدينة لإصدار تحذيرات مبكرة للجمهور قبل بدء يوم سيء في جودة الهواء. تخيل نظاماً يمكنه إخبار والد لديه طفل يعاني من الربو بأن يتجنب حديقة معينة غداً لأن الهواء سيكون مشبعاً بالتلوث، بينما ستكون حديقة أخرى تبعد بضعة أميال آمنة. هذا النوع من المعلومات المستهدفة والدقيقة مكانياً يعد تغييراً جذرياً في مجال الصحة العامة.

لقد كان الباحث حريصاً على ملاحظة أن نجاحه لم يكن بسبب جعل النموذج الحاسوبي أكبر أو أكثر تعقيداً فحسب، بل كان بسبب الطريقة المحددة التي دمج بها الأدوات المختلفة. فمن خلال منح النموذج القدرة على التعامل مع عدم اليقين، وتذكر الماضي، ورؤية الجغرافيا المحلية، وفهم الصورة الكبيرة في آن واحد، خلق نظاماً يحاكي تعقيد العالم الحقيقي. ويشير هذا النهج إلى أن مستقبل التنبؤ البيئي لا يكمن في البحث عن معادلة واحدة مثالية، بل في بناء أنظمة مرنة يمكنها التعلم من مصادر معلومات مختلفة في وقت واحد. وبالنسبة للمدن التي تعاني من تلوث الهواء، تقدم هذه الطريقة الجديدة أداة قوية لرؤية ما لا يُرى، والتنبؤ بما لا يمكن التنبؤ به، وفي نهاية المطاف، مساعدة الناس على التنفس بسهولة أكبر.