هل يمكن استخدام الهواتف الذكية أيضًا لمراقبة جودة الهواء؟ دليل من عدة طلاب الهندسة
ردًا على مشكلة اكتشاف جودة الهواء، قام فريق من المعهد الهندي للتكنولوجيا بتدريب نموذج تقدير جودة الهواء في السحابة. من خلال التقاط الصور بالهواتف المحمولة، يمكن للأشخاص التعرف على جودة الهواء والحصول على معلومات فعالة حول طقس الضباب الدخاني.
بقلم بريرنا خانا وآخرون، المعهد الهندي للتكنولوجيا
تجميع | الجوز الصغير، مختبر الجوز الأسود
يُسمح بإعادة إنتاج هذه المقالة من الحساب الرسمي "مختبر الجوز الأسود"المعرف: blackwanutlabs، شكرًا للمؤلف والمترجم!
هل تعلم أن هناك نوع من السعال يسمى "سعال الضباب الدخاني"؟ هناك أيضًا لون يسمى "لون الضباب"؟ بعد صراع طويل مع الضباب الدخاني، أصبح الجميع يسخرون بلا حول ولا قوة من جودة الهواء المزعجة.
بالإضافة إلى مدن مثل بكين ولانزو وتشنغدو في الصين التي تعاني من تلوث الهواء منذ سنوات، تواجه مدن أجنبية مثل دلهي في الهند، وسول في كوريا الجنوبية، وتشيانغ ماي في تايلاند أيضًا مشاكل خطيرة تتعلق بتلوث الهواء، وخاصة في فصل الشتاء.
في فصل الشتاء، لا تقتصر أنشطة الناس على تقييدها بسبب تلوث الهواء فحسب، بل يعانون أيضًا من مشاكل صحية. وبحسب التقارير الإعلامية، فإن تلوث الهواء أدى إلى مقتل 8.8 مليون شخص في جميع أنحاء العالم.
إن مشكلة تلوث الهواء في العالم خطيرة، والخطوة الأولى لحلها هي تمكين الناس من مراقبة جودة الهواء الذي يتنفسونه.
ورغم إمكانية مراقبة جودة الهواء باستخدام أجهزة استشعار التلوث، فإن نشر هذه الأجهزة على نطاق واسع يعد أمرا مكلفا. قام فريق من الطلاب من المعهد الهندي للتكنولوجيا بتصميم حل موثوق ورخيص لتقييم جودة الهواء، مما يسمح للناس بمراقبته باستخدام هواتفهم الذكية.
تقدير PM2.5 باستخدام الأجهزة المحمولة
تحليل جودة الهواء في الوقت الفعلي استنادًا إلى صور الهاتف المحمول
وقد أثبتت الدراسات السابقة أن التعلم الآلي يمكنه استخدام صور الكاميرا بشكل فعال لتقييم جودة الهواء، ولكنها كانت تقتصر عادة على الصور الملتقطة من عدد قليل من الكاميرات الثابتة.
يأمل فريق من الطلاب من الهند في تقديم تقييمات محلية لجودة الهواء في الوقت الفعلي على تطبيق جوال يعمل بنظام أندرويد باستخدام الصور الملتقطة بالهاتف المحمول.
وقد اختاروا استهداف الجسيمات PM 2.5 والجسيمات ذات الأقطار الأصغر كمعايير لتقييم جودة الهواء. لتصور النتائج، تم رسم توقعات PM2.5 على جدول مؤشر جودة الهواء (AQI) ذي التدرج اللوني، وهو مقياس قياسي تحدده الحكومات في جميع أنحاء العالم. سيتم بعد ذلك عرض تحذير التلوث المقابل وفقًا لقيمة مؤشر جودة الهواء.
التنبؤ بجودة الهواء باستخدام TensorFlow Lite
على وجه التحديد، يقوم التطبيق بجمع الصور من كاميرا الهاتف، ثم يقوم Tensorflow Lite بمعالجتها على الجهاز لتوفير توقع لمؤشر جودة الهواء. قبل تطوير التطبيق، قاموا بتدريب نموذج تقدير مؤشر جودة الهواء في السحابة. يمكن تنزيل النموذج تلقائيًا في تطبيقات Android باستخدام Firebase ML Kit.
يتكون النظام من الأجزاء التالية:
1. تطبيق الهاتف المحمول: يستخدم لالتقاط الصور والتنبؤ بمستويات مؤشر جودة الهواء، ويقوم التطبيق بمعالجة الصور على الجهاز.
2. TensorFlow Lite: يستخدم لإجراء التنبؤات باستخدام النموذج المدرب، وهو في حد ذاته ملف ثنائي صغير جدًا (وهو أمر مهم لسرعة التنزيل عندما يكون النطاق الترددي محدودًا).
3. Firebase: يتم إرسال المعلمات المستخرجة من الصورة (الموضحة أدناه) إلى Firebase. يتم إنشاء معرف فريد لكل مستخدم جديد عند استخدام التطبيق. يمكن استخدام هذا لاحقًا لتخصيص نماذج التعلم الآلي لمواقع جغرافية مختلفة.
4. Amazon EC2: تم تدريب النموذج على Amazon EC2 باستخدام معلمات الموقع الجغرافي المختلفة وقيم PM.
5. ML Kit: يتم استضافة النموذج المدرب على ML Kit ويتم تحميله تلقائيًا على الجهاز، ثم تشغيله باستخدام TensorFlow Lite.
نموذجين
لقد قاموا بتدريب نموذجين للتعلم الآلي يعتمدان على الصور: أحدهما للتنبؤ بمؤشر جودة الهواء باستخدام ميزات الصور التي يحملها المستخدمون والآخر لتصفية الصور التي لا تحتوي على أفق السماء.
نموذج مؤشر جودة الهواء
وبناءً على صور المستخدمين، استخدموا الميزات التالية للتنبؤ بمؤشر جودة الهواء: وتم استخراج هذه الميزات بواسطة تقنيات معالجة الصور التقليدية ودمجها بواسطة نموذج خطي. النموذج الثاني (الذي سيتم مناقشته لاحقًا) يستخدم الصور بشكل مباشر.
النقل: يصف كمية الضوء التي تدخل كاميرا الهاتف بعد تخفيف المشهد وانعكاسات جزيئات الهواء. ويمكن وصفها بالمعادلة التالية:
حيث I هي الصورة الضبابية المرصودة، وt هو النقل من المشهد إلى الكاميرا، وJ هو إشعاع المشهد، وA هو متجه لون الهواء.
باستخدام مفهوم القناة المظلمة، نجد نقل صورة ضبابية واحدة من خلال افتراض وجود بعض البكسلات على الأقل ذات كثافة صفرية أو منخفضة للغاية في قناة لونية واحدة في جميع الصور الخارجية. بالنسبة للصورة الخالية من الضباب J، القناة المظلمة هي:
حيث Jc هي إحدى قنوات الألوان لـ J وΩ(x) هي رقعة محلية مركزها x. يمكن تقدير ضوء الجو من السماء أو المنطقة الأكثر سطوعًا، وبالتالي يمكن الحصول على الإرسال من خلال:
حيث Ic(y)/A هي الصورة الضبابية الطبيعية بواسطة ضوء الهواء A، والمصطلح الثاني على اليمين هو القناة المظلمة للصورة الضبابية الطبيعية.
لون السماء: إذا كانت السماء رمادية، فإننا نعتبر أن اليوم ملوث بالهواء. يمكن تقدير اللون الأزرق باستخدام تقسيم RGB.
تدرج لون السماء: نظراً لأن السماء قد تبدو رمادية بسبب الغطاء السحابي، فقد تم دمج هذه الميزة. يتم حساب التدرج عن طريق إنشاء قناع لمنطقة السماء ثم حساب لابلاسيان هذه المنطقة.
الإنتروبيا، التباين الجذري التربيعي: تشير هذه الميزات إلى التفاصيل الموجودة في الصورة. إذا كان الطقس ملوثًا، فستفقد الصورة تفاصيلها. يتم تعريف التباين التربيعي المتوسط (RMS) على أنه الانحراف المعياري لشدات بكسل الصورة. وهنا معادلة التباين التربيعي المتوسط:
حيث Iij هو السطوع عند البكسل (i, j) في صورة بحجم M×N، وavg(I) هو متوسط سطوع جميع البكسلات في الصورة. لذلك، فإن نسبة التباين تتناسب عكسيا مع PM 2.5. لتقدير الإنتروبيا، يتم استخدام المعادلة التالية:
حيث pi هو احتمال أن تكون شدة البكسل مساوية لـ i، و M هو أقصى سطوع للصورة. مع زيادة تركيز PM، يتم فقدان تفاصيل الصورة تدريجيًا وتقل إنتروبيا الصورة. لذلك، فإن لها علاقة عكسية مع PM 2.5.
الرطوبة: خلصت الدراسات إلى أن مستويات التلوث ترتفع في الأيام الرطبة لأن PM 2.5 يمتص الرطوبة ويقلل من الرؤية.
نموذج الأفق
هل يمكن للمستخدمين استخدام التطبيق للتنبؤ بمؤشر جودة الهواء داخل غرفهم تمامًا كما يتنبأ بمؤشر جودة الهواء خارج منازلهم؟
يمكن للنموذج التنبؤ بصورة إذا كانت تحتوي على 50% على الأقل من الأفق وسيقبل صورة الأفق باستخدام مصنف ثنائي.
لقد قاموا بإنشاء هذا المصنف باستخدام Transfer Learning وأعادوا تدريب النموذج على مجموعة البيانات المسمى الخاصة بهم باستخدام TensorFlow Hub. تتكون مجموعة البيانات من فئتين: 500 صورة بنسبة 50% لأفق المدينة، و540 صورة بدون أفق المدينة (أو أقل من 50% لأفق المدينة)، بما في ذلك الغرف والمكاتب والحدائق والمشاهد الخارجية، وما إلى ذلك. ثم باستخدام بنية MobileNet 0.50، حققنا دقة بنسبة 95% عند الاختبار على 100 عينة غير مرئية. ومن بينها، يوفر TF for Poets المساعدة لإعادة تدريب الصور.
مصفوفة الارتباك للنموذج المعاد تدريبه هي كما يلي:
يسار: صورة مع أفق أكبر من 50%. الصورة الموجودة على اليمين تحتوي على أفق أقل من 50%
نماذج محددة من قبل المستخدم
نظرًا لأن مواصفات كاميرا كل هاتف ذكي تختلف، فإن كل مستخدم يحتاج إلى نموذج تعلُّم آلي مخصص. لتدريب مثل هذا النموذج، قاموا بجمع صور لكل مستخدم.
قرروا الجمع بين نموذج قائم على الصور ونموذج زمني باستخدام المعلمات الجوية. يساعد استخدام النماذج الزمنية للمعلمات الجوية في تحقيق دقة استدلال أعلى ويوفر بعض النتائج للمستخدمين عند تدريب نماذج التعلم الآلي القائمة على الصور، مما يساعدنا بدوره في تخصيص النموذج لمستخدمين محددين، وبالتالي تحسين دقة الاستدلال من خلال تقليل أخطاء التنبؤ.
لإنشاء مجموعة بيانات تدريبية صغيرة لكل مستخدم، قاموا باستخراج الميزات من 7 صور للتدريب. يجب أن يتم التقاط الصور على مدى فترة 7 أيام متتالية، بحيث يغطي نصف الصورة السماء وبدون مصادر ضوء مباشرة مثل الشمس. بعد استخراج الميزات من الصور، يتم استخدامها لتدريب نموذج الانحدار. النموذج خطي لأن جميع ميزات الصورة تتناسب بشكل خطي تقريبًا مع قيم PM 2.5.
بعد إنشاء مجموعة البيانات التدريبية والنموذج، ستقوم بإنشاء مجموعة ثانية من الصور للاختبار. بمجرد أن احتوت مجموعة البيانات على 7 أيام من ميزات الصور المختلفة، بدأ الاختبار. إذا كان RMSE التدريبي أقل من 5 أيام، فسيتم تجميد النموذج وإرساله إلى ML Kit، والذي سيتم تنزيله في التطبيق. إذا لم يكن RMSE أقل من 5 أيام، فقم بجمع المزيد من بيانات التدريب.
العلاقة بين سمات الصورة وPM 2.5
المعايير الجوية
لتحسين دقة الاستدلال، استخدموا أيضًا نموذجًا زمنيًا للبيانات الجوية للتنبؤ بمؤشر جودة الهواء استنادًا إلى مؤشر جودة الهواء التاريخي للمواقع الأخيرة واستكملوا النموذج الزمني بنموذج قائم على الصور.
قام الفريق بجمع مجموعة بيانات الأرصاد الجوية لمدينة دلهي من موقع الحكومة الهندية من عام 2015 إلى عام 2017 وأجرى انحدارًا للتلال باستخدام تحسين LASSO لتحديد المعلمات الرئيسية التي تؤثر على مستويات PM 2.5.
المعلمات الرئيسية المختارة هي: تركيز PM2.5 في الساعة السابقة، وتركيزات الغازات المختلفة مثل NO2، SO2، O3 ونقطة الندى. ثم يتم تدريب البيانات واختبارها على التوالي. وصلت نسبة دقة بياناتها إلى 90%.
يوضح الرسم البياني الخطي قيم خطأ RMS التي قدمتها النماذج الثلاثة على مدى فترة 21 يومًا.
التحدي التالي هو استضافة نموذج الصورة التكيفي لكل مستخدم. وللقيام بذلك، استخدموا حلاً من Firebase ML Kit. إنه يسمح باستضافة نماذج التعلم الآلي المخصصة والمتكيفة في السحابة وعلى الأجهزة.
إلى أي مدى يمكن لهذا النظام البسيط والفعال أن يصل في الكشف عن الضباب الدخاني أو السيطرة عليه؟ دعونا نتطلع إلى استكشافاتهم وتحسيناتهم العميقة!