Dobici:
- Sposobnost razlikovanja između emisija (iz izvora) i koncentracije (mjerene u zraku) i pretvaranja kalibriranih podataka u AQI i usporedbe s pragovima
- Sposobnost izgradnje kratkoročnog modela predviđanja zagađenja i iskrenog predstavljanja svakog predviđanja s intervalima povjerenja i granicama modela
- Sposobnost potkrijepiti javnozdravstvene tvrdnje dokazima bez potrebe da umjetna inteligencija prilagodi dijelove koji zahtijevaju distribuciju/fiziku
Zagađenje zraka je nevidljivo, ali smrtonosno: uzrokuje milione prijevremenih smrti svake godine i isprepleteno je s klimatskim promjenama. Institucije su odgovorne i za sopstvene emisije iz dimnjaka i za kvalitet vazduha oko njih. U ovoj cjelini naučit ćete parametre kvaliteta zraka, metode mjerenja i modeliranja, predviđanje pomoću umjetne inteligencije i ograničenja svega toga.
Prvo koncepti. Kvalitet zraka se općenito mjeri na osnovu nekoliko glavnih zagađivača: PM2,5 i PM10 (čestice manje od 2,5 i 10 mikrona – prašina koja se može udisati), NO₂ (azot-dioksid – iz sagorijevanja), SO₂ (sumpor-dioksid), O₃ (ozon prizemni) i CO (ugljični monoksid). AQI (indeks kvaliteta zraka) je indeks koji ove zagađivače pretvara u jednu obojenu/numerisanu skalu (dobro-opasno) koju javnost može razumjeti. Emisija je količina oslobođena iz izvora, dok je koncentracija koncentracija u zraku; Važno je da se to dvoje ne pobrka.
Savjet: Emisija (iz izvora) i koncentracija (mjerena u zraku) su dvije različite stvari. Vjetar, temperatura i topografija uzrokuju da ista emisija rezultira vrlo različitim koncentracijama. Reći "manje izlazi iz dimnjaka" ne znači da je "zrak u blizini čist".
Modeliranje: od emisije do koncentracije
Izračunavanje koncentracije zagađivača koji izlazi iz dimnjaka do obližnjeg susjedstva je stvar modeliranja disperzije. Ovi modeli koriste meteorologiju (smjer/brzina vjetra, stabilnost atmosfere) i topografiju. Klasični modeli (npr. Gausov model raspodjele) su bazirani na fizici; AI se koristi za ubrzavanje ovih modela, tumačenje izlaza i izdvajanje obrazaca iz velikih skupova mjernih podataka - ali je opasno "učiniti" da se fizika uklopi u AI.
Prognoza: predviđanje sutrašnjeg vremena
Najjače polje veštačke inteligencije je predviđanje: izgradnja modela koji predviđaju nivoe zagađivača sutra ili nekoliko sati kasnije, koristeći istorijska merenja, meteorologiju i podatke o saobraćaju. Ovo je dragocjeno za javna zdravstvena upozorenja i mjere opreza (npr. ograničenje saobraćaja). Ali svako predviđanje ima neizvjesnost, a model će biti pogrešan kada ispadne iz uslova u kojima je obučen (na primjer, neočekivani požar).
Korak po korak: analiza kvaliteta zraka
1. Odaberite pitanje i parametar. Koji zagađivač, koja lokacija, na koje vrijeme?
2. Provjerite izvor podataka. Referentna stanica ili jeftin senzor? Kalibar?
3. Pre-proces. Očistite podatke koji nedostaju, pomjeranje senzora, ekstremne razlike.
4. Pretvorite u AQI i usporedite s pragom. Da li je prekoračena zakonska granica?
5. Model/predviđanje. Trend, sezonalnost, projekcija budućnosti.
6. Izvještaj o nesigurnosti. Uvijek prezentirajte procjene s intervalima povjerenja i granicama modela.
tri mini kofera
Slučaj 1 — Konfuzija koncentracije emisije. Jedno postrojenje je htjelo objaviti da je smanjilo emisije iz dimnjaka za 20% i stoga je "zrak u susjedstvu bio 20% čistiji". Stručnjak je pokazao da se smjer vjetra u to vrijeme promijenio i da je na koncentraciju zapravo utjecala meteorologija; Smanjenje emisije je bilo stvarno, ali tvrdnja o koncentraciji nije bila potkrijepljena. Izjava je bila ograničena na "smanjili smo emisije iz dimnjaka za 20%"; Zahtev za vazduhoplovstvo bez dokaza uklonjen.
Slučaj 2 — Kalibracija senzora. Jedna škola je dobila upozorenje o "opasnim PM2,5" sa senzorom niske cijene. Kada je stručnjak uporedio senzor sa obližnjom referentnom stanicom, otkrio je da je vrijednost napuhana pri visokoj vlažnosti; Nakon korekcije vlažnosti, vrijednost se smanjila na "srednji" nivo. Nekalibrirani senzor može izazvati paniku. (Ovo još jednom pokazuje koliko je kalibracija senzora kritična u svakom području mjerenja.)
Slučaj 3 — Neizvjesnost prognoze. Opština je sljedećeg dana upozorila na "veliko zagađenje" svojim modelom prognoze AI, ali neočekivana pješčana oluja poremetila je prognozu. Tim je ranije izvijestio da je model “nepouzdan za događaje podataka koji nisu obučeni”; stoga je upozorenje predstavljeno kao "moguće" i nije došlo do gubitka povjerenja. Razjasniti nesigurnost je odgovorna upotreba predviđanja.
Slaba prompt / Jaka prompt
Slab upit:
Predvidite sutra s ovim vremenskim podacima.
Zašto je slab: Nema potražnje za parametrima, lokacijom, kvalitetom podataka, tipom modela i nesigurnošću. Izlaz bi bio jedan broj, a njegova pouzdanost je nepoznata.
Snažan upit:
Vaša uloga: naučnik podataka o kvaliteti vazduha. Sa sljedećim PM2,5 satnim podacima i meteorologijom (vjetar, vlažnost, temperatura), postavite jednostavan model prognoze (npr. povećanje gradijenta) u Pythonu za sljedeća 24 sata. Koraci: (1) čišćenje podataka i kontrola pomaka senzora, (2) priprema karakteristike, (3) model, (4) davanje predviđanja sa intervalom pouzdanosti. Jasno navedite ograničenja modela (nepouzdanost u neobrazovnim situacijama). Podaci: [ovdje]
Četiri šablona za kopiranje
1) Čišćenje podataka o zraku + AQI:
Očistite sljedeća mjerenja kvalitete zraka s Pythonom (podnižavanje, zaglavljivanje, drift, prekoračenje) i pretvorite ih u standardni AQI. Odredite koju formulu AQI koristite; uklapanje. Označite sate koje prelaze zakonski prag. Podaci: [ovdje]
2) Razlika između emisije i koncentracije:
Provjerite sljedeću tvrdnju: da li se radi o emisiji (iz izvora) ili koncentraciji (mjerenoj u zraku)? Istaknite dijelove koji brkaju to dvoje ili zanemarite meteorologiju i predložite izmjereno ponovno kazivanje na osnovu dokaza. Tvrdnja: [ovdje]
3) Model predviđanja (sa nesigurnošću):
Vaša uloga: naučnik podataka. Izgradite kratkoročni model prognoze (Python) za [zagađivač] sa sljedećim vremenskim serijama. Dajte svako predviđanje sa svojim intervalom pouzdanosti. Jasno napišite pod kojim uslovima (događaj bez treninga, ekstremno vreme) model bi bio nepouzdan. Previše optimistična tvrdnja o istini FAKE.Podaci: [ovdje]
4) Sažetak doprinosa resursa:
Na osnovu podataka o kvaliteti zraka i vjetru u nastavku, analizirajte iz kojeg smjera vjetar dolazi tokom sati visokog zagađenja kako biste dali trag o mogućem smjeru izvora. Nemojte direktno reći "ovo je izvor"; Ponudite vjerovatnoću i verifikaciju. Podaci: [ovdje]
Uobičajene greške
- Brkanje emisije sa koncentracijom. Smanjenje dimnjaka ne znači čistoću u zraku.
- Oslanjajući se na nekalibrirani senzor. Vlažnost i drift povećavaju vrijednosti.
- Predstavljanje procjene bez nesigurnosti. Svaku procjenu treba dati sa intervalom povjerenja.
- Usklađivanje fizike sa AI. Model distribucije zahteva fiziku; "Predviđanje" LLM nije fizika.
- Podsjećanje na zakonske pragove. Uzmite granične vrijednosti iz zakona.
Oprez: tvrdnje o kvalitetu zraka odnose se na javno zdravlje. Lažna "čista" tvrdnja dovodi ljude u opasnost; Neosnovan "prljavi" alarm stvara nepotrebnu paniku i ekonomsku štetu. Podržite svaku tvrdnju kalibriranim podacima, odgovarajućim modelom i jasnom nesigurnošću.
Ukratko
Kvalitet zraka; To zahtijeva odvajanje emisije od koncentracije, kalibriranje mjerenja, odgovarajuće modeliranje i predviđanje predstavljeno sa nesigurnošću. AI; Snažan je u čišćenju podataka, izdvajanju uzoraka i kratkoročnom predviđanju. Ali distribucija zasnovana na fizici, kalibracija senzora, zakonski pragovi i iskreno izvještavanje o neizvjesnosti pripadaju ekspertu. Broj na dimnjaku nije isti kao na vazduhu u komšiluku.
Zadatak aplikacije
Pripremite hipotetičke PM2,5 po satu i meteorološke podatke za lokaciju. Sa 1. šablonom, neka AI očisti podatke, pretvori ih u AQI i označi prekoračenja praga. Zatim napravite model kratkoročne prognoze sa 3. šablonom i pobrinite se da svaka prognoza dolazi s intervalom pouzdanosti. Konačno, neka vaša tvrdnja o kvalitetu zraka revidira emisije/koncentraciju pomoću obrasca 2.
kontrolna lista
- [ ] Pravilno sam napravio razliku između emisije i koncentracije.
- [ ] Provjerio sam podatke senzora za kalibraciju i pomak.
- [ ] Dobio sam AQI i pragove iz ispravne formule/zakonodavstva.
- [ ] Predstavio sam procjene s intervalom povjerenja i ograničenjem modela.
- [ ] Nisam imao AI da prilagodi dijelove koji su zahtijevali distribuciju/fiziku.
- [ ] Potkrepio sam javnozdravstvene tvrdnje dokazima.