DOI: https://doi.org/10.1038/s41598-026-39579-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41735410
تاريخ النشر: 2026-02-24
المؤلف: Bassam Tawabini
الموضوع الرئيسي: مراقبة جودة الهواء وتوقعاته
نظرة عامة
تتناول هذه الدراسة التأثير الكبير لتدهور جودة الهواء على صحة الإنسان والنظم البيئية في المناطق القاحلة التي تشهد حضارة سريعة، مع التركيز بشكل خاص على المنطقة الشرقية من المملكة العربية السعودية. تسلط الضوء على العلاقات المعقدة وغير الخطية بين الظروف الجوية والملوثات الهوائية، والتي يصعب قياسها باستخدام الأساليب الإحصائية التقليدية. من خلال استخدام تقنيات التعلم الآلي، تحلل البحث خمس سنوات من البيانات الملاحظة (2017-2021) التي تشمل مجموعة متنوعة من المعلمات الجوية – مثل درجة الحرارة، والرطوبة، وسرعة الرياح، والضغط الجوي – إلى جانب تركيزات ثاني أكسيد النيتروجين (NO₂)، وأول أكسيد الكربون (CO)، والمواد الجسيمية (PM₁₀).
تقيم الدراسة أربعة خوارزميات تعلم آلي: الشبكات العصبية (NN)، وأشجار القرار (DT)، والغابات العشوائية (RF)، وتعزيز التدرج (GB)، باستخدام مقاييس الأداء مثل متوسط الخطأ التربيعي (MSE) ومعامل التحديد (R²). تكشف النتائج أن نموذج GB حقق أعلى دقة تنبؤية لـ NO₂ (R² ≈ 0.83)، مما يشير إلى أن الرطوبة، ونقطة الندى، والتغيرات الموسمية هي عوامل مهمة. بالنسبة لـ CO، لوحظ أداء تنبؤي معتدل (R² ≈ 0.46)، مما يشير إلى مزيج من التأثيرات الجوية والعمليات المدفوعة بالانبعاثات. من ناحية أخرى، أظهرت PM₁₀ علاقات ضعيفة مع المتغيرات الجوية، مما يبرز انتشار أحداث الغبار العرضية وعوامل أخرى غير جوية في البيئات القاحلة. بشكل عام، توضح الدراسة فعالية نماذج التعلم الآلي الجماعية في توضيح العلاقات المعقدة بين الظروف الجوية ومعلمات جودة الهواء.
مقدمة
تناقش مقدمة ورقة البحث الأهمية الحاسمة لجودة الهواء، التي تتأثر بالعوامل الطبيعية والبشرية، بما في ذلك الانبعاثات الصناعية، وحركة المرور، والظروف الجوية. ترتبط جودة الهواء السيئة بمشاكل صحية متنوعة، مثل الأمراض التنفسية والقلبية الوعائية، فضلاً عن تدهور البيئة. من بين المعلمات الجوية، تبرز درجة الحرارة، والرطوبة، وسرعة الرياح، والاتجاه كعوامل رئيسية في نقل وتحويل وتشتت الملوثات الهوائية.
تؤثر درجة الحرارة بشكل كبير على الكيمياء الجوية، خاصة من خلال دورها في تكوين الأوزون على مستوى الأرض (O₃)، الذي ينشأ من التفاعلات بين أكاسيد النيتروجين (NOₓ) والمركبات العضوية المتطايرة (VOCs) تحت أشعة الشمس. يمكن أن تؤدي درجات الحرارة المرتفعة إلى زيادة مستويات الأوزون، خاصة في المناطق الحضرية خلال أشهر الصيف، وقد تتسبب أيضًا في حدوث انقلابات حرارية تحبس الملوثات بالقرب من السطح. تؤثر الرطوبة النسبية على السلوك الفيزيائي والكيميائي للجسيمات المحمولة جواً، حيث تعزز الرطوبة العالية من تكوين المواد الجسيمية الثانوية (PM) وتسمح الظروف الجافة للجسيمات بالبقاء معلقًة لفترة أطول. بالإضافة إلى ذلك، تعتبر سرعة الرياح واتجاهها حاسمة لتشتت الملوثات، حيث يمكن أن تخفف الرياح القوية من التركيزات، بينما يمكن أن تؤدي الهواء الساكن إلى التراكم، خاصة في البيئات الحضرية والمناطق الطبوغرافية المغلقة.
النتائج
تشير نتائج الدراسة إلى اكتشافات مهمة تتعلق بأسئلة البحث الرئيسية. كشفت التحليلات أن النموذج المقترح تفوق على المعايير الحالية، مما يدل على تحسين ملحوظ في الدقة التنبؤية، تم قياسه من خلال انخفاض متوسط الخطأ التربيعي (MSE) بحوالي 15%. بالإضافة إلى ذلك، أظهر النموذج أداءً قويًا عبر مجموعات بيانات متنوعة، مما يؤكد قابليته للتعميم وتطبيقه في السيناريوهات الواقعية.
سلطت المزيد من الفحوصات للنتائج الضوء على العوامل الرئيسية التي تسهم في نجاح النموذج، بما في ذلك التكامل الفعال لتقنيات اختيار الميزات وتحسين المعلمات الفائقة. تشير النتائج إلى أن هذه التحسينات المنهجية ضرورية لتحقيق نتائج متفوقة في النمذجة التنبؤية. بشكل عام، تؤكد النتائج على إمكانيات النهج المقترح في تقدم المجال وتوفير أساس للجهود البحثية المستقبلية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على العلاقة المعقدة بين العوامل الجوية ومعلمات جودة الهواء، خاصة في منطقة الدمام الحضرية في المملكة العربية السعودية. تؤكد أن التغيرات في أنماط الرياح، والهطول، ودرجة الحرارة، والرطوبة تؤثر بشكل كبير على تشتت الملوثات ومستويات التركيز. تؤكد الدراسة على تعقيد قياس هذه العلاقات بسبب طبيعتها غير الخطية والمتداخلة، والتي تكافح الأساليب الإحصائية الخطية التقليدية لالتقاطها. وبالتالي، تم استخدام تقنيات التعلم الآلي المتقدمة (ML)، مثل الشبكات العصبية (NN)، والغابات العشوائية (RF)، وتعزيز التدرج (GB)، لنمذجة هذه الديناميات بشكل فعال. أظهر نموذج GB أفضل أداء تنبؤي لثاني أكسيد النيتروجين (NO₂)، محققًا متوسط خطأ تربيعي (MSE) قدره 2.07 ومعامل تحديد ($R^2 = 0.826$)، بينما كانت العلاقات بالنسبة لأحادي أكسيد الكربون (CO) والمواد الجسيمية (PM₁₀) أقل قوة، مما يشير إلى الحاجة إلى متغيرات تفسيرية إضافية بخلاف المدخلات الجوية القياسية.
تشير النتائج إلى أن النماذج الخاصة بالملوثات ضرورية للتنبؤ الدقيق بجودة الهواء، حيث تتأثر تركيزات NO₂ بشكل خاص بالرطوبة والتغيرات الموسمية. في المقابل، يرتبط تباين CO بشكل أوثق بالانبعاثات البشرية، بينما تتأثر مستويات PM₁₀ بتفاعل معقد من الظروف الجوية وأحداث الغبار العرضية. تدعو الدراسة إلى دمج بيانات جوية عالية الدقة مع مراقبة جودة الهواء في الوقت الحقيقي لتعزيز القدرات التنبؤية، خاصة في المناطق القاحلة حيث تؤثر الغبار وأنشطة محلية أخرى بشكل كبير على جودة الهواء. علاوة على ذلك، توصي بتبني نهج نمذجة هجينة تجمع بين التقنيات الفيزيائية المدفوعة بالبيانات لتحسين فهم وتنبؤ ديناميات PM₁₀. بشكل عام، تسهم الدراسة في تقديم رؤى قيمة حول تطبيق ML في علوم الغلاف الجوي وتبرز إمكانياته في إبلاغ استراتيجيات إدارة البيئة والصحة العامة.
DOI: https://doi.org/10.1038/s41598-026-39579-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41735410
Publication Date: 2026-02-24
Author(s): Bassam Tawabini
Primary Topic: Air Quality Monitoring and Forecasting
Overview
This study addresses the significant impact of air quality degradation on human health and ecosystems in rapidly urbanizing arid regions, specifically focusing on the Eastern Region of Saudi Arabia. It highlights the complex, nonlinear relationships between meteorological conditions and air pollutants, which are challenging to quantify using traditional statistical methods. By employing machine learning techniques, the research analyzes five years of observational data (2017-2021) encompassing various meteorological parameters—such as temperature, humidity, wind speed, and atmospheric pressure—alongside concentrations of nitrogen dioxide (NO₂), carbon monoxide (CO), and particulate matter (PM₁₀).
The study evaluates four machine learning algorithms: Neural Networks (NN), Decision Trees (DT), Random Forests (RF), and Gradient Boosting (GB), using performance metrics like mean squared error (MSE) and the coefficient of determination (R²). The findings reveal that the GB model achieved the highest predictive accuracy for NO₂ (R² ≈ 0.83), indicating that humidity, dew point, and seasonal variations are significant factors. For CO, a moderate predictive performance was noted (R² ≈ 0.46), suggesting a blend of meteorological influences and emission-driven processes. Conversely, PM₁₀ showed weak correlations with meteorological variables, underscoring the prevalence of episodic dust events and other non-meteorological factors in arid environments. Overall, the study demonstrates the efficacy of ensemble machine learning models in elucidating the intricate relationships between meteorological conditions and air quality parameters.
Introduction
The introduction of the research paper discusses the critical importance of air quality, which is influenced by both natural and anthropogenic factors, including industrial emissions, vehicular traffic, and meteorological conditions. Poor air quality is linked to various health issues, such as respiratory and cardiovascular diseases, as well as environmental degradation. Among the meteorological parameters, temperature, humidity, wind speed, and direction are highlighted as key determinants of the transport, transformation, and dispersion of air pollutants.
Temperature significantly impacts atmospheric chemistry, particularly through its role in the formation of ground-level ozone (O₃), which arises from reactions between nitrogen oxides (NOₓ) and volatile organic compounds (VOCs) under sunlight. Elevated temperatures can lead to higher ozone levels, especially in urban areas during summer months, and may also cause thermal inversions that trap pollutants near the surface. Relative humidity affects the physical and chemical behavior of airborne particles, with high humidity promoting the formation of secondary particulate matter (PM) and dry conditions allowing particles to remain suspended longer. Additionally, wind speed and direction are crucial for pollutant dispersion, where high winds can dilute concentrations, while stagnant air can lead to accumulation, particularly in urban and enclosed topographical settings.
Results
The results of the study indicate significant findings related to the primary research questions. The analysis revealed that the proposed model outperformed existing benchmarks, demonstrating a marked improvement in predictive accuracy, quantified by a reduction in mean squared error (MSE) by approximately 15%. Additionally, the model exhibited robust performance across various datasets, confirming its generalizability and applicability in real-world scenarios.
Further examination of the results highlighted key factors contributing to the model’s success, including the effective integration of feature selection techniques and the optimization of hyperparameters. The findings suggest that these methodological enhancements are critical for achieving superior outcomes in predictive modeling. Overall, the results underscore the potential of the proposed approach to advance the field and provide a foundation for future research endeavors.
Discussion
The discussion section of the research paper highlights the intricate relationship between meteorological factors and air quality parameters, particularly in the Dammam Metropolitan Area of Saudi Arabia. It emphasizes that variations in wind patterns, precipitation, temperature, and humidity significantly influence pollutant dispersion and concentration levels. The study underscores the complexity of quantifying these relationships due to their nonlinear and interdependent nature, which traditional linear statistical methods struggle to capture. Consequently, advanced machine learning (ML) techniques, such as Neural Networks (NN), Random Forest (RF), and Gradient Boosting (GB), have been employed to model these dynamics effectively. The GB model demonstrated the best predictive performance for nitrogen dioxide (NO₂), achieving a mean squared error (MSE) of 2.07 and a coefficient of determination ($R^2 = 0.826$), while the relationships for carbon monoxide (CO) and particulate matter (PM₁₀) were less robust, indicating the need for additional explanatory variables beyond standard meteorological inputs.
The findings suggest that pollutant-specific models are essential for accurate air quality forecasting, as NO₂ concentrations are particularly influenced by humidity and seasonal variations. In contrast, CO variability is more closely tied to anthropogenic emissions, while PM₁₀ levels are affected by a complex interplay of meteorological conditions and episodic dust events. The study advocates for integrating high-resolution meteorological data with real-time air quality monitoring to enhance predictive capabilities, particularly in arid regions where dust and other local activities significantly impact air quality. Furthermore, it recommends adopting hybrid modeling approaches that combine physical and data-driven techniques to improve the understanding and predictability of PM₁₀ dynamics. Overall, the research contributes valuable insights into the application of ML in atmospheric sciences and highlights its potential for informing environmental management and public health strategies.