Печалби:
- Възможност за разграничаване между емисиите (от източника) и концентрацията (измерена във въздуха) и преобразуване на калибрираните данни в AQI и сравняването им с прагове
- Възможност за изграждане на краткосрочен модел за прогнозиране на замърсяването и честно представяне на всяка прогноза с доверителни интервали и граници на модела
- Възможност за подкрепа на твърденията за обществено здраве с доказателства, без да има изкуствен интелект за адаптиране на части, които изискват разпространение/физика
Замърсяването на въздуха е невидимо, но смъртоносно: то причинява милиони преждевременни смъртни случаи всяка година и е свързано с изменението на климата. Институциите са отговорни както за собствените си емисии от комина, така и за качеството на въздуха около тях. В този модул ще научите параметри за качеството на въздуха, методи за измерване и моделиране, прогнозиране с AI и границите на всичко това.
Първо концепциите. Качеството на въздуха обикновено се измерва за няколко основни замърсители: PM2,5 и PM10 (прахови частици, по-малки от 2,5 и 10 микрона — вдишван прах), NO₂ (азотен диоксид — от горене), SO₂ (серен диоксид), O3 (приземен озон) и CO (въглероден оксид). AQI (индекс на качеството на въздуха) е индексът, който преобразува тези замърсители в едноцветна/номерирана скала (добро-опасно), която обществеността може да разбере. Емисията е количеството, отделено от източника, докато концентрацията е концентрацията във въздуха; Важно е да не се бъркат двете.
Съвет: Емисиите (от източника) и концентрацията (измерена във въздуха) са две различни неща. Вятърът, температурата и топографията причиняват една и съща емисия да доведе до много различни концентрации. Казването „от комина излиза по-малко“ не означава „въздухът наблизо е чист“.
Моделиране: от емисия към концентрация
Изчисляването на концентрацията на замърсител, излизащ от комина, ще достигне до близкия квартал е въпрос на дисперсионно моделиране. Тези модели използват метеорология (посока/скорост на вятъра, атмосферна стабилност) и топография. Класическите модели (напр. модел на разпределение на Гаус) са базирани на физиката; AI се използва за ускоряване на тези модели, интерпретиране на изхода и извличане на модели от големи набори от данни от измервания - но е опасно да се "накара" физиката да се побере в AI.
Прогноза: прогнозиране на времето утре
Най-силното поле на AI е прогнозирането: изграждане на модели, които предвиждат нивата на замърсители утре или няколко часа по-късно, като се използват исторически измервания, метеорологични данни и данни за трафика. Това е ценно за предупреждения за обществено здраве и предпазни мерки (напр. ограничение на трафика). Но всяка прогноза има несигурност и моделът ще бъде грешен, когато изпадне извън условията, при които е обучен (например неочакван пожар).
Стъпка по стъпка: анализ на качеството на въздуха
1. Изберете въпроса и параметъра. Кой замърсител, кое местоположение, за каква продължителност?
2. Проверете източника на данни. Референтна станция или евтин сензор? Калибър?
3. Предварителен процес. Почистете липсващи данни, отклонение на сензора, екстремни отклонения.
4. Преобразувайте в AQI и сравнете с прага. Превишен ли е законовият лимит?
5. Модел/предсказване. Тенденция, сезонност, прогноза за бъдещето.
6. Докладвайте несигурност. Винаги представяйте оценки с доверителни интервали и граници на модела.
три мини калъфа
Случай 1 — Объркване на емисиите и концентрацията. Едно съоръжение искаше да обяви, че е намалило емисиите от комина с 20% и следователно „въздухът в квартала е с 20% по-чист“. Експертът показа, че посоката на вятъра се е променила по това време и концентрацията всъщност е била повлияна от метеорологията; Намаляването на емисиите беше реално, но твърдението за концентрация беше необосновано. Изявлението беше ограничено до „намалихме емисиите от комина с 20%“; Въздушен иск без премахнати доказателства.
Случай 2 — Калибриране на сензора. Училище получи сигнал за "опасен PM2.5" с евтин сензор. Когато експертът сравни сензора с близката референтна станция, той установи, че стойността е завишена при висока влажност; След корекция на влажността стойността се понижи до ниво "средно". Некалибриран сензор може да предизвика паника. (Това още веднъж показва колко критично е калибрирането на сензора във всяка зона на измерване.)
Случай 3 — Несигурност на прогнозата. Община предупреди за „високо замърсяване“ на следващия ден със своя модел за прогноза с изкуствен интелект, но неочаквана пясъчна буря провали прогнозата. Екипът по-рано съобщи, че моделът е „ненадежден за събития с данни без обучение“; следователно предупреждението беше представено като „възможно“ и нямаше загуба на доверие. Изясняването на несигурността е отговорното използване на прогнозите.
Слаба подкана / Силна подкана
Слаба подкана:
Прогнозирайте утре с тези данни за времето.
Защо е слаб: Няма търсене на параметри, местоположение, качество на данните, тип модел и несигурност. Резултатът ще бъде едно число, надеждността му е неизвестна.
Мощна подкана:
Вашата роля: специалист по данни за качеството на въздуха. Със следните почасови данни за PM2.5 и метеорология (вятър, влажност, температура), настройте прост модел на прогноза (напр. повишаване на градиента) в Python за следващите 24 часа. Стъпки: (1) почистване на данни и контрол на отклонението на сензора, (2) подготовка на характеристиките, (3) модел, (4) дайте прогнози с доверителен интервал. Посочете ясно ограниченията на модела (ненадеждност в необразователни ситуации). Данни: [тук]
Четири копируеми шаблона
1) Почистване на данни за въздух + AQI:
Почистете следните измервания на качеството на въздуха с Python (недостатъчно ниво, блокиране, отклонение, превишаване) и ги преобразувайте в стандартен AQI. Посочете коя AQI формула използвате; монтаж. Маркирайте часове, които надвишават законовия праг. Данни: [тук]
2) Разлика между емисии и концентрация:
Проверете следното твърдение: дали става въпрос за емисии (от източника) или концентрация (измерена във въздуха)? Маркирайте частите, които объркват двете или игнорирайте метеорологията, и предложете премерено преизказване въз основа на доказателства. Искова молба: [тук]
3) Модел на прогнозиране (с несигурност):
Вашата роля: специалист по данни. Изградете модел за краткосрочна прогноза (Python) за [замърсител] със следния времеви ред. Дайте всяка прогноза с нейния доверителен интервал. Напишете ясно при какви условия (събитие без тренировка, екстремно време) моделът би бил ненадежден. Твърде оптимистично твърдение за истина FAKE.Data: [тук]
4) Резюме на приноса на ресурси:
От данните за качеството на въздуха и вятъра по-долу анализирайте от коя посока идва вятърът през часовете с високо замърсяване, за да дадете представа за възможната посока на източника. Не казвайте направо „това е източникът“; Вероятност и проверка на офертата. Данни: [тук]
Често срещани грешки
- Объркващо излъчване с концентрация. Намаляването на комина не означава чистота на въздуха.
- Разчитане на некалибриран сензор. Влажността и отклонението увеличават стойностите.
- Представяне на оценката без несигурност. Всяка оценка трябва да се дава с доверителен интервал.
- Направете физиката годна с AI. Моделът на разпределение изисква физика; „Прогнозата“ на LLM не е физика.
- Запомняне на законовите прагове. Вземете граничните стойности от законодателството.
Внимание: Твърденията за качеството на въздуха засягат общественото здраве. Фалшиво „чисто“ твърдение излага хората на риск; Необоснованата "мръсна" аларма създава ненужна паника и икономически щети. Подкрепете всяко твърдение с калибрирани данни, подходящ модел и ясна несигурност.
В обобщение
качество на въздуха; Това изисква отделяне на емисиите от концентрацията, калибриране на измерването, подходящо моделиране и прогнозиране, представено с несигурност. AI; Той е мощен при почистване на данни, извличане на модели и краткосрочно прогнозиране. Но базираното на физиката разпределение, калибрирането на сензора, правните прагове и честното отчитане на несигурността принадлежат на експерта. Номерът на комина не е същият като въздуха в квартала.
Задача за приложение
Подгответе хипотетични почасови PM2.5 и метеорологични данни за местоположение. С първия шаблон накарайте AI да изчисти данните, да ги преобразува в AQI и да маркира превишавания на прага. След това изградете модел за краткосрочна прогноза с третия шаблон и се уверете, че всяка прогноза идва с доверителен интервал. И накрая, проверете вашата декларация за качество на въздуха за емисии/концентрация с образец 2.
контролен списък
- [ ] Направих разграничението между емисия и концентрация правилно.
- [ ] Проверих данните от сензора за калибриране и дрейф.
- [ ] Получих AQI и праговете от правилната формула/законодателство.
- [ ] Представих оценките с доверителен интервал и ограничение на модела.
- [ ] Нямах AI да адаптира частите, които изискваха разпространение/физика.
- [ ] Подкрепих твърденията за обществено здраве с доказателства.