تصنيف مستويات مخاطر تلوث الهواء باستخدام نموذج التصويت المرن الجماعي بناءً على بيانات رصد جودة الهواء الواقعية
الملخص
يُعد تلوث الهواء أحد أبرز التحديات البيئية والصحية العامة في المناطق الحضرية سريعة التوسع حول العالم. إذ يُمكن أن تُهدد التركيزات المرتفعة للملوثات المحمولة جوًا، مثل الجسيمات الدقيقة والانبعاثات الغازية، صحة الإنسان واستدامة البيئة على حدٍ سواء. لذا، يُعدّ التحديد الدقيق لدرجات مخاطر التلوث أمرًا بالغ الأهمية لتطوير أنظمة الرصد البيئي ودعم عملية صنع القرار في الإدارة البيئية الحضرية. نقدم إطار عمل قائم على التعلم الآلي لتصنيف مستويات مخاطر تلوث الهواء باستخدام مؤشرات بيئية وأرصادية وزمنية مُستخرجة من بيانات رصد جودة الهواء الواقعية التي جُمعت من مواقع حضرية مختلفة. تتكون مجموعة بياناتنا من ملوثات جوية رئيسية، بالإضافة إلى متغيرات الأرصاد الجوية التي تُغطي عمليات تلوث الهواء في المناطق الحضرية على مدار فصول السنة المختلفة. في البداية، قمنا بتقييم العديد من خوارزميات التعلم الآلي، مثل الغابة العشوائية، والأشجار الإضافية، وآلة المتجهات الداعمة، والانحدار اللوجستي، وتعزيز التدرج الشديد. ثم صُمم نموذج تجميعي للتصويت الناعم لدمج نقاط قوة التنبؤ لأفضل المصنفات أداءً. حقق النموذج المقترح دقة بلغت حوالي 82.7%، مع قيمة F1 المرجحة 0.828، متفوقًا بذلك على جميع النماذج الفردية. وقد أكدت عملية التحقق المتبادل متانة واستقرار الإطار، مما سمح بتحليل أهمية الميزات لتسليط الضوء على أن الجسيمات الدقيقة PM2.5 هي العامل الأكثر أهمية في تحديد مستويات مخاطر التلوث. تُبرز هذه النتائج فائدة منهجيات التعلم الآلي الجماعية في الرصد البيئي، إذ توفر فهمًا أعمق للتعرض للتلوث، وتُسهم في اتخاذ قرارات قائمة على البيانات لتعزيز الإدارة المستدامة لجودة الهواء
المراجع
Li, G., Tang, Y., & Yang, H. (2022). A new hybrid prediction model of air quality index based on secondary decomposition and improved kernel extreme machine learning. Chemosphere, 305, 135348.
Harrison, R. M., & Yin, J. (2000). Particulate matter in the atmosphere: Which particle properties are important for its effects on health? Science of the Total Environment, 249(1–3), 85–101.
Jo, E. J., Lee, W. S., Jo, H. Y., Kim, C. H., Eom, J. S., Mok, J. H., Kim, M. H., Lee, K., Kim, K. U., & Lee, Mects of particulate matter on respiratory disease and the impact of meteorological factors in Busan, Korea. Respiratory Medicine, 124, 79–87.. K. (2017). Eff
Perrino, C., Tiwari, S., Catrambone, M., Dalla Torre, S., Rantica, E., & Canepari, S. (2011). Chemical characterization of atmospheric PM in Delhi, India, during different periods of the year including Diwali festival. Atmospheric Pollution Research, 2(4), 418–427.
Zhang, Y., Bocquet, M., Mallet, V., Seigneur, C., & Baklanov, A. (2012). Real-time air quality forecasting, part I: History, techniques, and current status. Atmospheric Environment, 60, 632–655.
Dye, T. S. (2013). Guidelines for developing an air quality (ozone and PM2.5) forecasting program. United States Environmental Protection Agency, Washington, DC, USA.
Zheng, H., Li, H., Lu, X., &Ruan. T. (2018). A multiple kernel learning approach for air quality prediction. Advances in Meteorology, 2018.
International Journal of Artificial Intelligence in Medical Issues. (2025). https://doi.org/10.56705/ijaimi.v312.322
Kumar, S., Vishwakarma, A., Srivastava, M. K., Perwej, Y., & Akhtar, N. (2026). Ensemble machine learning for reliable air pollution prediction and sustainable environmental management. International Journal of Scientific Research in Science and Technology. Available at: www.ijsrst.com
Moskal, A., Jagodowicz, W., Penconek, A., Zaraska, K. Low-Cost Sensor System for Air Purification Process Evaluation. Sensors 2024, 24, 1769.
Nuwairy El Furqany. (2025). Optimizing air quality index classification using multiple machine learning models and oversampling techniques. International Journal of Artificial Intelligence in Medical Issues, 312. ISSN 3025-4167.
Jaron, A., Berucka, A., Delis, P., & Sekrecka, A. (2024). An assessment of the possibility of using unmanned aerial vehicles to identify and map air pollution from infrastructure emissions. Energies, 17, 577.
Bemacki, J., & Schence, R. (2025). A comprehensive review of data-driven techniques for air pollution concentration forecasting. Sensors, 25, 6044. https://doi.org/10.3390/25196044
Johnson, T.; Woodward, K. Enviro-IoT: Calibrating Low-Cost Environmental Sensors in Urban Settings. arXia 2025, arXiv:2502.07596.
EnviroDataScience. “Air Quality Dataset.” Kaggle, 1 Sept. 2025, www.kaggle.com/datasets/price438/air-quality-dataset.
التنزيلات
منشور
كيفية الاقتباس
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2026 مجلة ساحل المعرفة للعلوم الإنسانية والتطبيقية
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
