في في سابقة هي الأولى من نوعها، تم الكشف عن نموذج مبتكر يجمع بين تقنيات التعلم العميق وتوقعات تركيزات PM2.5 على المدى الطويل، مما يعكس تقدمًا كبيرًا في مجالات الصحة العامة والذكاء الاصطناعي. في دراسة نُشرت مؤخرًا، قام الباحثون بتطوير إطار عمل يعتمد على تقنيات مبتكرة تشمل Dynamic Time Warping (DTW) ونموذج CNN-GRU لتمكين توقعات طويلة الأمد وتحسين الاستقرار عليها.

يشكل التركيز على PM2.5، وهو مزيج من الجسيمات الصغيرة القابلة للاسترخاء، عنصرًا حاسمًا للصحة العامة، لذلك فإن دقة التوقعات على المدى الطويل ضرورية لتوفير إنذارات مبكرة فعالة. استخدم الإطار الجديد في مدينة أصفهان، إيران، التي تواجه تحديات فريدة تشمل الديناميكيات المعقدة للتلوث وشبكات الرصد المحدودة.

التقنيات المستخدمة في هذا النموذج تتضمن اختيار المحطات الذكية باستخدام DTW لتحديد أنماط التلوث المتشابهة، بالإضافة إلى تصميم CNN-GRU خفيف الوزن مزود بخصائص الأرصاد الجوية، مما يجعل الإطار أكثر كفاءة.

أظهرت النتائج التجريبية باستخدام بيانات ساكنة على مدى سنوات من ثماني محطات للرصد أداءً متفوقًا مقارنة بأساليب التعلم العميق التقليدية، حيث تمكن النموذج من تحقيق دقة توقع تصل إلى R2 = 0.91 للتوقعات لمدة 24 ساعة. والأهم من ذلك، أن هذه الدراسة تعد الأولى في إثبات إمكانية التوقع بصورة مستقرة لمدة تصل إلى 10 أيام، محققة R2 = 0.73 عند ساعة 240، مما يمثل إنجازًا في تلبية متطلبات أنظمة الإنذار المبكر الحيوية.

في ظل التحديات المستمرة التي تواجهها المدن ذات الموارد المحدودة، يمكن لهذا النموذج أن يصبح أداة حيوية للمسؤولين عن الصحة العامة وتحليل جودة الهواء، مما يدعم جهود المجتمعات لعلاج تداعيات التلوث البيئي.