Preregistered External Validation of Spatially Valid Conformal Prediction for Air-Pollution Exposure Mapping in China

تُعد الخرائط التي توضح أماكن تلوث الهواء أدوات أساسية للصحة العامة؛ فهي تساعد الأطباء على فهم أسباب مرض الناس، وتوجه الحكومات بشأن أماكن بناء المستشفيات، وتُعلم العائلات بموعد البقاء في المنازل. لكن الخريطة لا تكون جيدة إلا بقدر صدقها بشأن أخطائها الخاصة؛ فإذا ادعت الخريطة الدقة بينما هي في الواقع تخمن بشكل عشوائي، فقد يؤدي ذلك إلى قرارات خطيرة. لسنوات طويلة، كافح العلماء لوضع "هامش خطأ" موثوق لخرائط التلوث هذه، خاصة عندما تأتي البيانات من مشهد واسع ومتغير مثل الصين. لا يكمن التحدي في التنبؤ بمستوى التلوث فحسب، بل في معرفة مدى الثقة في ذلك التنبؤ. وهنا يأتي دور نهج إحصائي يسمى "التنبؤ المطابق" (conformal prediction). فكر في الأمر كطريقة تبني شبكة أمان حول التنبؤ، مما يضمن وقوع القيمة الحقيقية داخل هذه الشبكة بنسبة مئوية محددة، دون الحاجة إلى افتراض أن البيانات تتبع نمطاً مرتباً ومنتظماً.

لقد وضع باحث مؤخراً نسخة متطورة وجديدة من شبكة الأمان هذه قيد الاختبار. ركز الباحث على الصين، وهي دولة تضم 31 مقاطعة ولها تاريخ من جودة الهواء المتغيرة بسرعة. كان هدفه هو معرفة ما إذا كان بإمكان هذا النهج الجديد رسم خريطة دقيقة للجسيمات الدقيقة المعروفة باسم PM2.5، والتي تعد سبباً رئيسياً للوفاة المبكرة. لم يقم الباحث بمجرد تشغيل الأرقام مرة واحدة؛ بل صمم خطة صارمة ومعتمدة مسبقاً قبل النظر في البيانات لضمان عدم تأثر نتائجه بما كان يأمل في إيجاده. وقارن منهجه المكاني الجديد بالتقنيات القياسية لتعلم الآلة، مستخدماً بيانات تمتد لسبعة وعشرين عاماً من 1998 إلى 2024. وكشفت الدراسة عن انقسام واضح في الأداء: حيث عمل النهج الجديد بشكل ملحوظ عندما كان التحدي يتمثل في تغطية مناطق جغرافية مختلفة، لكنه تعثر عندما كان التحدي يتمثل في التنبؤ بالتغيرات عبر الزمن.

بدأ الباحث بمجموعة بيانات ضخمة تغطي كل مقاطعة في الصين لكل عام من 1998 إلى 2024. تضمنت هذه البيانات تركيز PM2.5 المرجح بالسكان، والذي يخبرنا كمية التلوث التي يتنفسها الشخص المتوسط في مقاطعة ما بالفعل. كما جمعوا بيانات الطقس اليومية، مثل درجة الحرارة وهطول الأمطار، للمساعدة في تفسير أنماط التلوث. ولاختبار أفكارهم، وضعوا سيناريوهين مختلفين. في الأول، حاولوا التنبؤ بالتلوث في مقاطعة واحدة باستخدام بيانات من جميع المقاطعات الأخرى، وهذا يختبر القدرة على التعامل مع المكان. وفي الثاني، حاولوا التنبؤ بأحدث السنوات باستخدام بيانات من الماضي، وهذا يختبر القدرة على التعامل مع الزمن. ووضعوا هدفاً واضحاً: يجب أن يكون منهجهم صحيحاً بنسبة 90% من الوقت.

عندما اختبر الباحث المنهج عبر المكان، كانت النتائج مبهرة. نجح منهج التنبؤ المطابق الصالح مكانياً في التقاط مستويات التلوث الحقيقية في 87.3% من الحالات، حيث وقعت تماماً ضمن النطاق المستهدف. وهذا يعني أنه عندما رسموا خريطة لعدم اليقين لمقاطعة لم يروها من قبل، فإن مستوى التلوث الحقيقي كان دائماً تقريباً داخل النطاق المتوقع. وفي المقابل، فشل منهج تعلم الآلة القياسي الذي استخدموه للمقارنة فشلاً ذريعاً في هذا الاختبار نفسه، حيث أصاب الإجابة الصحيحة في أقل من نصف الحالات. أثبت النهج الجديد أنه من خلال مراعاة كيفية ارتباط التلوث في مكان ما بالتلوث في مكان مجاور، يمكنه بناء شبكة أمان أكثر موثوقية. كما تحقق الباحث مما إذا كانت هذه الموثوقية تأتي على حساب جعل شبكة الأمان واسعة جداً وغير مفيدة؛ ووجد أن الفترات كانت ضيقة تماماً مثل الطريقة القياسية، مما يثبت أن الدقة لم تكن مجرد نتيجة للتحوط المفرط.

ومع ذلك، تغيرت القصة عندما اختبر الباحث المنهج عبر الزمن. فعندما حاولوا التنبؤ بمستويات التلوث للأعوام من 2020 إلى 2024 باستخدام البيانات ما قبل عام 2020 فقط، انخفض معدل النجاح إلى 79.4%. وقد نزل هذا عن الهدف المحدد، مما يعني أن المنهج لم يكن موثوقاً للتنبؤ بالمستقبل في هذا السياق المحدد. وقد عزى الباحث هذا الفشل إلى تحول دراماتيكي في جودة الهواء في الصين؛ فبعد عام 2017، تسببت حملة حكومية ضخمة لتنقية الهواء في انخفاض مستويات التلوث بشكل حاد. ولم يستطع النموذج، الذي تدرب على بيانات قديمة حيث كان التلوث أعلى، توقع هذا التغيير المفاجئ. فقد استمر في التنبؤ بمستويات تلوث عالية بناءً على الماضي، بينما كانت الحقيقة هي هواء أنقى بكثير. وبناءً على ذلك، ظلت شبكة الأمان التي بناها مركزة على مستويات مرتفعة للغاية وفاتت القيم الفعلية المنخفضة. لم يكن هذا الفشل موحداً في جميع أنحاء البلاد؛ فقد كان الأكثر حدة في شرق الصين، حيث كان الانخفاض في التلوث حاداً، بينما ظلت المناطق الأخرى أكثر استقراراً.

كما سلطت الدراسة الضوء على أن نهج تعلم الآلة القياسي، الذي يستخدمه العديد من الباحثين حالياً، ليس حلاً سحرياً. فبينما أنتج فترات ضيقة جداً، مما يوحي بدقة عالية، إلا أن تلك الفترات كانت خاطئة في كثير من الأحيان. في الاختبار المكاني، كانت الطريقة القياسية صحيحة بنسبة 48.6% فقط، مما يعني أنها كانت خاطئة في أكثر من نصف الحالات. ويشير هذا إلى أن الاعتماد على هذه الأدوات القياسية لخرائط جودة الهواء قد يعطي شعوراً زائفاً بالأمان. وفي المقابل، حافظ النهج الجديد على نزاهته عبر جغرافيا الصين الشاسعة، حيث حدد عدم اليقين بدقة حتى في المناطق الأكثر صعوبة. وأشار الباحث إلى أن أداء المنهج كان متسقاً عبر سبعة مناطق رئيسية مختلفة في البلاد، مع ظهور معدلات نجاح أقل قليلاً في الجزء الشمالي والشرقي، ولكنها ظلت ضمن الحدود المقبولة للاختبار المكاني.

كان أحد أهم جوانب هذا العمل هو الطريقة الصارمة التي أُجري بها. فقد كتب الباحث خطته بالكامل، بما في ذلك كيفية تقسيم البيانات بدقة وما هي الأرقام التي ستعتبر نجاحاً، وذلك قبل إجراء عملية حسابية واحدة. كما قام بنشر جميع أكواده وبياناته، مما يسمح لأي شخص بمراجعة عمله. هذا المستوى من الشفافية نادر ولكنه ضروري لبناء الثقة في النتائج العلمية. وقد أكدت الدراسة أنه بينما يعد المنهج الجديد أداة قوية لرسم خرائط التلوث عبر المكان، فإنه ليس كرة بلورية للمستقبل؛ فهو يعمل بشكل أفضل عندما تكون البيئة مستقرة نسبياً، لكنه لا يستطيع التنبؤ بالتغيرات المفاجئة والكبيرة في السياسات أو الانبعاثات التي تغير مشهد التلوث بين عشية وضحاها.

إن تداعيات هذه النتائج مهمة لكل من يعتمد على خرائط جودة الهواء. فبالنسبة لمسؤولي الصحة العامة والباحثين، تقدم الدراسة مساراً واضحاً للمضي قدماً: استخدموا مناهج صالحة مكانياً لفهم أين يكون التلوث مرتفعاً ومدى عدم اليقين في تلك القياسات، ولكن لا تفترضوا أن تلك الخرائط نفسها ستتنبأ بدقة بما سيحدث في العام المقبل. وتعد الدراسة تذكيراً بأنه في عالم سريع التغير، يجب اختبار الأدوات التي نستخدمها لقياس بيئتنا ليس فقط لمدى ملاءمتها للماضي، بل لمدى صدقها في الاعتراف بحدودها. ومن خلال الجمع بين نهج إحصائي جديد وبروتوكول اختبار صارم وشفاف، قدم الباحث طريقة أكثر صدقاً لتصور الهواء الذي نتنفسه، مما يضمن أن الخرائط التي نستخدمها لحماية صحتنا مبنية على أساس من الموثوقية المثبتة وليس على التخمين المليء بالأمل.