Enhancing Urban Air Quality Forecasting: A Comparative Study of Machine Learning Models
تُظهر هذه الدراسة أن نموذجاً تجميعياً يجمع بين "الغابة العشوائية" (Random Forest) و"الأشجار الإضافية" (Extra Trees) يتفوق على خوارزميات التعلم الآلي الفردية في التنبؤ بدقة بمستويات جودة الهواء في المدن الهندية الكبرى، مما يوفر أداة موثوقة لصناع القرار لتعزيز استراتيجيات الصحة العامة والبيئة.
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
إن تنفس هواء نظيف هو حاجة أساسية، ومع ذلك، في العديد من المدن المتنامية، غالبًا ما تكون السماء كثيفة بمخاطر غير مرئية. هذه المخاطر عبارة عن جزيئات غازية دقيقة تطلقها السيارات والمصانع وأنظمة التدفئة، والتي يمكن أن تستقر في عمق الرئتين وتتسبب في مشاكل صحية خطيرة. ولحماية الناس، يعتمد العلماء والحكومات على مؤشر جودة الهواء، وهو درجة يومية تخبر الجمهور ما إذا كان الهواء آمنًا للاستنشاق أو ما إذا كان ينبغي عليهم البقاء في الداخل. إن التنبؤ بهذه الدرجة قبل بدء اليوم مهمة صعبة لأن التلوث يتصرف بشكل غير متوقع، حيث يلتف مع الرياح ويتفاعل مع الطقس بطرق معقدة. لعقود من الزمن، حاول الباحثون استخدام أدوات إحصائية قياسية للتنبؤ بهذه المستويات، لكن هذه الأساليب غالبًا ما تكافح لاستيعاب الواقع غير الخطي الفوضوي لكيفية اختلاط الملوثات وتحركها.
في دراسة حديثة ركزت على مدن كبرى عبر الهند، سعى باحث لإيجية طريقة أكثر موثوقية للتنبؤ بمستويات جودة الهواء هذه. كان الهدف هو اختبار ما إذا كانت البرامج الحاسوبية الحديثة، المعروفة بنماذج تعلم الآلة، يمكنها التعلم من البيانات التاريخية لسنوات لتوقع مستويات التلوث بدقة أكبر من الطرق القديمة. فحصت الدراسة سجلات جودة الهواء من عام 2015 إلى عام 2020، وهي فترة تحتوي على أكثر من 29,000 إدخال يومي. تضمنت هذه السجلات قياسات لملوثات محددة مثل أول أكسيد الكربون، وثاني أكسيد الكبريت، وأنواع مختلفة من الغبار، إلى جانب مؤشر جودة الهواء الناتج، والذي تم تصنيفه إلى ست مستويات متميزة تتراوح من "جيد" إلى "سيء جدًا". قام الباحث بتغذية هذه المجموعة الضخمة من البيانات في أنواع مختلفة من الخوارزميات الحاسوبية لمعرفة أي منها يمكنه تخمين الفئة الصحيحة لأي يوم معطى بأفضل شكل.
اختبرت الدراسة مجموعة متنوعة من النهج، ولكل منها طريقتها الخاصة في التفكير. عملت بعض النماذج مثل أشجار القرار البسيطة، حيث تطرح سلسلة من الأسئلة التي تعتمد على "نعم" أو "لا" لتصنيف البيانات. بينما نظر البعض الآخر إلى الجيران الأقرب في البيانات لاتخاذ تخمين، في حين حاولت نماذج أخرى رسم خط مستقيم عبر الفوضى لإيجاد نمط ما. كما اختبر الباحث طريقة تجمع بين نقاط القوة في نموذجين مختلفين في فريق واحد، وهو ما يعرف باسم "النموذج التجميعي" (ensemble). كانت الفكرة وراء نهج الفريق هذا هي أنه من خلال السماح لعدة نماذج بالتصويت على الإجابة، ستكون النبوءة النهائية أكثر قوة وأقل عرضة للوقوع في الخطأ من أي نموذج يعمل بمفرده.
كانت النتائج مذهلة. فبينما أظهرت النماذج الأبسط قدرة على التمييز بين ظروف جودة الهواء الأكثر تطرفًا، إلا أنها تعثرت كثيرًا عند محاولة التمييز بين المستويات المتوسطة من التلوث. على سبيل المثال، خلط نموذج شائع ما بين الأيام ذات الهواء "الجيد" والأيام التي كانت مجرد "مرضية"، وعانى من تحديد طفرات التلوث الأكثر خطورة بدقة. أما النموذج الآخر، الذي اعتمد على إيجاد أقرب نقاط البيانات، فقد كان يعمل جيدًا في بعض المناطق المحلية، لكنه أصبح غير موثوق به عندما أصبحت أنماط التلوث معقدة. وفشل نموذج ثالث، حاول رسم خط مستقيم للبيانات، تمامًا في التنبؤ بفئة "جيد"، مما يشير إلى أن العلاقة بين الطقس والتلوث ملتوية للغاية بحيث لا يمكن استيعابها بخط بسيط.
في المقابل، حقق الفريق المشترك من النماذج، الذي جمع بين خوارذمين قويين لاتخاذ القرار، مستوى من الدقة برز بوضوح. فعند اختباره مقابل مجموعة جديدة من البيانات لم يسبق له رؤيتها من قبل، حدد هذا النموذج التجميعي فئة جودة الهواء لكل يوم في مجموعة الاختبار بشكل صحيح، باستثناء حالة واحدة تم فيها تصنيف يوم تلوث "شديد" على أنه "ضعيف". ولم يخلط بين "جيد" و"متوسط" في معظم الحالات، كما لم يفتديه أيام التلوث "الشديد" باستثناء ذلك الخطأ الوحيد. وجدت الدراسة أن هذا النهج لم يكن فقط أفضل قليلاً، بل كان فعالاً في كونه يقترب من المثالية في تصنيفه لمستويات التلوث الستة. ويشير هذا إلى أنه من خلال السماح لعدة نماذج متطورة بالعمل معًا، يمكن للنظام تعلم القواعد الخفية والدقيقة التي تحكم كيفية سلوك التلوث في المدينة، وهي القواعد التي تغفلها الأدوات الأبسط.
إن تداعيات هذه النتيجة كبيرة لكل من يعيش في بيئة حضرية. فإذا تمكنت مدينة ما من التنبؤ بيقين شبه تام ما إذا كان الهواء سامًا أم آمنًا، يمكن للمسؤولين إصدار تحذيرات في الوقت المناسب، ويمكن للمدارس تعديل الأنشطة الخارجية، ويمكن للمستشفيات الاستعداد لزيادة محتملة في حالات الجهاز التنفسي. تشير الدراسة إلى أن مستقبل مراقبة جودة الهواء لا يكمن في الاعتماد على طريقة واحدة، بل في تسخير الذكاء الجماعي لعدة نماذج حاسوبية متقدمة. ومن خلال القيام بذلك، يمكن للمدن الانتقال من مجرد الاستجابة للهواء السيئ إلى توقعه، وتحويل تحدٍ بيئي معقد إلى جزء يمكن إدارته والتنبؤ به في الحياة اليومية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.