يعد توقع مستويات الجسيمات الدقيقة (PM2.5) تحديًا كبيرًا، خصوصًا في الظروف التي تفتقر فيها البيانات من النطاق المستهدَف. لذا، طوّر الباحثون إطار عمل مبتكر يُعرف بـ"تعلم النقل المُعتمد على الازدواج والتكيف"، والذي يجمع بين المعرفة المكتسبة من مصادر البيانات المختلفة ويمكّن النماذج من تحسين توقعاتها بشكل فعّال في بيئات البيانات المحدودة.

الإطار الجديد يتضمن استخدام نوعين من التشفير: أحدهما يستند إلى بيانات جماعية من 10 مواقع لمراقبة جودة الهواء في الولايات المتحدة، والآخر يتمحور حول المعلومات المحددة للبيانات المحلية في تايوان، حيث تم استخدام بيانات على مدار ساعتين من 77 محطة.

نتيجةً لذلك، حقق النموذج ثنائي الشيفرة المدرب أداءً متميزًا، حيث سجل أقل معدل لمتوسط الخطأ التربيعي (MSE) بلغ 21.8960، بينما أظهر تحليل الأثر (SHAP) أن التوقعات كانت مدفوعة بشكل أساسي بملاحظات PM2.5 الحديثة وظروف الطقس المتعلقة بنقل وتشتت الملوثات.

ببساطة، هذا البحث يؤكد أهمية دمج المعرفة السابقة مع البيانات الجديدة لتحقيق نتائج أفضل وتحسين دقة التوقعات. كيف تتوقع أن يؤثر هذا التطور على استراتيجيات مراقبة جودة الهواء في المستقبل؟