في ظل التحديات المتزايدة المتعلقة بالتلوث البيئي في المدن، تأتي الأبحاث الأخيرة لتكون بارقة أمل نحو تحسين جودة الهواء من خلال تقنيات فعالة. قامت مجموعة من العلماء بتطبيق تقنيات التعلم العميق لإعادة بناء بيانات جودة الهواء باستخدام ملاحظات محدودة من أربع ملوثات رئيسية هي: ثاني أكسيد النيتروجين (NO2)، الأوزون (O3)، الجسيمات الدقيقة (PM2.5) والجسيمات الأكبر (PM10).

تتعقد مسألة تخصيص بيانات جودة الهواء بسبب التفاعلات المتشابكة بين الملوثات، الأنماط الجوية غير المتوقعة، ووجود محطات المراقبة القليلة. لذا، تم تدريب نماذج التعلم العميق على بيانات محاكاة شاملة لتقييم أدائها على ملاحظات حقيقية تم جمعها من 9 إلى 28 محطة مراقبة في العاصمة الفرنسية باريس.

أحد أهم الابتكارات هو إطار عمل توليدي يعتمد على عملية الانتشار لإعادة بناء بيانات يتكمن من معالجة مشكلات متعددة للملوثات، فيما تم تقييم أدائه مقارنة بالنماذج التقليدية. رغم التوقعات الصعبة والضجيج الذي تتسم به البيانات، نجحت النماذج في تحقيق تشابه هيكلي عالٍ على البيانات المحاكاة وأنتجت أنماط مكانية واقعية متناسقة مع الملاحظات الحقيقية، مما يبرز القدرة العالية للتحليلات الطيفية.

علاوة على ذلك، تم تقديم أساليب لتحسين البيانات تمكّن النماذج من الانتقال إلى ملاحظات العالم الحقيقي دون الحاجة إلى إعادة التدريب، مما يسمح للنماذج بالتعميم بعد فترة التدريب.

هذه الاكتشافات تبرز الإمكانيات الكبيرة لنماذج التعلم الآلي (Machine Learning) في إسقاط نتائج موثوقة على المهام المتعلقة بإعادة بناء تلوث الهواء، مما يشير إلى خطوة كبيرة نحو تحسين الصحة العامة ورفع مستوى الوعي بالبيئة في المجتمعات.