في عالم التكنولوجيا المتقدمة، تتصدر توقعات جودة الهواء قائمة الأولويات البيئية، وخاصةً في ظل التحديات الناتجة عن العواصف الترابية. يقدم لنا باحثو الذكاء الاصطناعي نموذجًا ثوريًا يسمى OmniPM-Net، الذي يتميز بكونه نموذج دمج يعتمد على الشبكات العصبية الشرطية التلافيفية (Convolutional Conditional Neural Process - ConvCNP).

يهدف هذا النموذج إلى حل التحديات المتعلقة بدقة توقعات جزيئات المواد (PM10)، التي تتطلب تأكيدات دقيقة على مستوى المحطة مع توفير حقول مكانية متواصلة، لا سيما في أوقات العواصف الترابية الشديدة.

تستخدم نماذج النقل الكيميائي (Chemical Transport Models - CTMs) توقعات موحدة لكنها تحتفظ بالتحيزات المحلية، بينما تقوم الشبكات العصبية البيانية (Graph Neural Networks - GNNs) بتتبع مواقع المراقبة بدقة على فترات زمنية قصيرة دون إنتاج نتائج موحدة. هنا يأتي دور OmniPM-Net، الذي يعالج هذه الفجوة من خلال تقديم نموذج متكامل.

يعتمد النموذج على عملية كونفولوشن جزيئية وعملية استشعار مرئية متعددة المقاييس، مما يرفع توقعات محطات الشبكات العصبية البيانية غير المنتظمة على شبكة منتظمة. يتم بعد ذلك دمج هذه التوقعات مع تقديرات خدمة مراقبة الغلاف الجوي (Copernicus Atmosphere Monitoring Service - CAMS) بواسطة وحدة اهتمام مكانية متعددة المقاييس، حيث يقوم نموذج القراءة الشامل بتشفير هذه البيانات إلى توقعات متوافقة لجزيئات PM10، سواء على مستوى المحطات أو خلايا الشبكة على مدى 108 ساعات.

تم تقييم OmniPM-Net عبر 1,618 محطة لمراقبة جودة الهواء في جميع أنحاء الصين خلال عام 2024، حيث حقق دقة مشابهة لتوقعات الشبكات العصبية البيانية (21.14 مقابل 22.00 ميكروغرام/متر مكعب) وقلل من متوسط الخطأ لتقديرات CAMS بنسبة 30%. يظهر النجاح الأبرز للنموذج في ذيول التركيز العالي، حيث ينخفض الخطأ النسبي للـ MAE في النسبة المئوية الـ 90 بنسبة 9% مقارنةً بالشبكات العصبية البيانية، و25% مقارنةً بـ CAMS، خاصةً خلال فترات حدوث العواصف الترابية.