Air Quality Arena: معيار لتقييم التنبؤ بتلوث الهواء باستخدام النماذج التأسيسية

قدّمت مجموعة دولية من الباحثين في يوليو 2026 منصة Air Quality Arena (AQA)، وهي مجموعة بيانات مفتوحة كبيرة ومعيار لتقييم التنبؤ بتلوث الهواء. وتغطي المنصة 6 ملوثات رئيسية و7 دول في 4 قارات، وأكثر من 14 000 سلسلة زمنية من نوع «محطة-ملوِّث». ونُشر العمل كمسودة بحثية (preprint) على arXiv، فيما أُتيحت البيانات نفسها للاطلاع المفتوح.

لماذا الحاجة إلى معيار جديد

المعايير السابقة للتنبؤ بجودة الهواء محدودة جدًا، سواء من حيث التغطية الجغرافية أو مجموعة الملوثات، وتكاد لا تختبر النماذج التأسيسية الحديثة للسلاسل الزمنية (time-series foundation models، أو TSFM) على بيانات واقعية واسعة النطاق. وهذه هي الفجوة التي تسدّها Air Quality Arena. ويتزايد استخدام التعلم الآلي للتنبؤ بمستويات التلوث، لكن غياب معيار موحّد وواسع يجعل المقارنة بين النماذج صعبة.

والمشكلة ليست أكاديمية. فبحسب تقدير المؤلفين، يتسبب تلوث الهواء في نحو 7,9 مليون وفاة مبكرة سنويًا، ولذلك يُعدّ التنبؤ الدقيق أولوية في مجال الصحة العامة.

«يتسبب تلوث الهواء، بحسب التقديرات، في 7,9 مليون وفاة مبكرة سنويًا، ما

يجعل التنبؤ الدقيق أولوية حرجة للصحة العامة»، وفق ما ورد في المسودة البحثية على arXiv.

ما الذي تتضمنه مجموعة البيانات

تتألف Air Quality Arena من جزأين: البيانات (AQA-Data) والمعيار (AQA-Bench). وتجمع مجموعة البيانات قياسات أرضية لـ6 ملوثات رئيسية على مدى ثلاث سنوات في 7 دول مختلفة في 4 قارات، بإجمالي يتجاوز 14 000 سلسلة «محطة-ملوِّث». وهي أوسع بوضوح من معظم المجموعات السابقة التي اقتصرت على منطقة واحدة أو على مادة أو مادتين.

• 6 ملوثات رئيسية للهواء
• فترة الرصد: 3 سنوات
• 7 دول في 4 قارات
• أكثر من 14 000 سلسلة «محطة-ملوِّث»
• 11 نموذجًا تأسيسيًا خضعت للاختبار، إضافة إلى أساليب كلاسيكية مرجعية (baseline)

ويقيّم معيار AQA-Bench النماذج في مهمة التنبؤ قصير المدى، أي توقّع مستويات الملوثات في الفترة القريبة المقبلة. ويشدد المؤلفون على تنوّع الدول في العيّنة، إذ يتيح ذلك قياس مدى عمومية أداء النموذج في ظروف مختلفة.

لماذا تفوّقت النماذج التأسيسية

تفوّقت النماذج التأسيسية للسلاسل الزمنية على الأساليب الكلاسيكية لأنها تقدّم تنبؤًا دقيقًا في وضع zero-shot، أي دون إعادة تدريب لمحطة بعينها أو منطقة بعينها. وقد اختبر المؤلفون عبر AQA-Bench أحد عشر نموذجًا رائدًا من نماذج TSFM إلى جانب نماذج أساسية كلاسيكية في مهمة التنبؤ قصير المدى بالتلوث. ووفق نتائج الدراسة، كانت النماذج التأسيسية أدق من الأساليب الكلاسيكية بصورة ثابتة في جميع المناطق.

وتكتسب القدرة على العمل بوضع zero-shot أهمية عملية: فيمكن نشر نظام الرصد في مدينة جديدة لا تتوافر فيها بعد سجلات رصد طويلة للتدريب.

وجاءت أفضل نتيجة من بنية متعددة الوسائط (cross-modal)، تستعين بنموذج تأسيسي للرؤية الحاسوبية (vision foundation model) في التنبؤ بالسلاسل الزمنية، وهو نموذج دُرّب في الأصل على الصور. أي أن الشبكة العصبية «البصرية» تنقل خبرتها في التعرف على الصور إلى سلاسل القياسات الرقمية.

«النماذج التأسيسية للسلاسل الزمنية متنبئات فعّالة في وضع zero-shot،

وتتفوق باستمرار على الأساليب الأساسية الكلاسيكية»، بحسب ما يشير المؤلفون في المسودة البحثية على arXiv.

ماذا يعني ذلك

يتجه التنبؤ بجودة الهواء نحو النماذج التأسيسية العامة: إذ يمكن استخدام نموذج واحد مُدرَّب مسبقًا في دول مختلفة في آن واحد دون ضبط محلي. وتمنح مجموعة البيانات المفتوحة التي تضم أكثر من 14 000 سلسلة الباحثين نقطة مرجعية مشتركة، وتسرّع تطوير أنظمة الإنذار المبكر من الضباب الدخاني والتلوث.

الأسئلة الشائعة

ما هي Air Quality Arena؟

هي مجموعة بيانات مفتوحة (AQA-Data) ومعيار تقييم (AQA-Bench) للتنبؤ بتلوث الهواء: 6 ملوثات، و3 سنوات من الرصد، و7 دول في 4 قارات، وأكثر من 14 000 سلسلة «محطة-ملوِّث».

أي نموذج حقق أفضل نتيجة؟

كانت الأفضل بنية متعددة الوسائط (cross-modal) تستخدم نموذجًا تأسيسيًا للرؤية الحاسوبية (vision foundation model) في التنبؤ بالسلاسل الزمنية. وبوجه عام، تفوّقت جميع النماذج التأسيسية للسلاسل الزمنية التي خضعت للاختبار على الأساليب الكلاسيكية في وضع zero-shot.

كم نموذجًا جرى اختباره في المعيار؟

قارن المؤلفون 11 نموذجًا تأسيسيًا رائدًا للسلاسل الزمنية (time-series foundation models) وعددًا من الأساليب الأساسية الكلاسيكية في مهمة التنبؤ قصير المدى بجودة الهواء.