Gevinster:
- Evne til at skelne mellem emissioner (fra kilden) og koncentration (målt i luft) og konvertere de kalibrerede data til AQI og sammenligne dem med tærskler
- Evne til at opbygge en kortsigtet forureningsforudsigelsesmodel og præsentere hver forudsigelse ærligt med konfidensintervaller og modelgrænser
- Evne til at understøtte folkesundhedsanprisninger med beviser uden at have kunstig intelligens tilpasset dele, der kræver distribution/fysik
Luftforurening er usynlig, men dødbringende: den forårsager millioner af for tidlige dødsfald hvert år og hænger sammen med klimaændringer. Institutioner er ansvarlige for både deres egne stakemissioner og luftkvaliteten omkring dem. I denne enhed lærer du luftkvalitetsparametre, måle- og modelleringsmetoder, forudsigelse med AI og grænserne for alle disse.
Koncepter først. Luftkvaliteten måles generelt på flere væsentlige forurenende stoffer: PM2,5 og PM10 (partikler mindre end 2,5 og 10 mikron - respirabelt støv), NO₂ (nitrogendioxid - fra forbrænding), SO₂ (svovldioxid), O₃ (jordnær ozon) og CO (kulmonoxid). AQI (Air Quality Index) er det indeks, der konverterer disse forurenende stoffer til en enkelt farvet/nummereret skala (god-farlig), som offentligheden kan forstå. Emission er den mængde, der frigives fra kilden, mens koncentration er koncentrationen i luften; Det er vigtigt ikke at forveksle de to.
Tip: Emission (fra kilden) og koncentration (målt i luft) er to forskellige ting. Vind, temperatur og topografi får den samme emission til at resultere i meget forskellige koncentrationer. At sige "der kommer mindre ud af skorstenen" betyder ikke "luften i nærheden er ren".
Modellering: fra emission til koncentration
At beregne koncentrationen af et forurenende stof, der kommer ud af en skorsten, vil nå et nærliggende kvarter, er et spørgsmål om spredningsmodellering. Disse modeller bruger meteorologi (vindretning/-hastighed, atmosfærisk stabilitet) og topografi. Klassiske modeller (f.eks. Gaussisk distributionsmodel) er fysikbaserede; AI bruges til at accelerere disse modeller, fortolke outputtet og udtrække mønstre fra store måledatasæt - men det er farligt at "få" fysik til at passe ind i AI.
Vejrudsigt: forudsiger morgendagens vejr
AI's stærkeste felt er prognoser: bygge modeller, der forudsiger forureningsniveauer i morgen eller et par timer senere, ved hjælp af historiske målinger, meteorologi og trafikdata. Dette er værdifuldt for advarsler om folkesundhed og forsigtighed (f.eks. trafikbegrænsning). Men enhver forudsigelse har usikkerhed, og modellen vil være forkert, når den falder uden for de forhold, den blev trænet på (for eksempel en uventet brand).
Trin for trin: en luftkvalitetsanalyse
1. Vælg spørgsmålet og parameteren. Hvilket forurenende stof, hvilket sted, i hvilken varighed?
2. Bekræft datakilden. Referencestation eller lavprissensor? Kaliber?
3. Forproces. Ryd op i manglende data, sensordrift, ekstreme afvigelser.
4. Konverter til AQI og sammenlign med tærskel. Er den lovlige grænse overskredet?
5. Model/forudsig. Trend, sæsonbestemt, fremtidsfremskrivning.
6. Rapporter usikkerhed. Præsenter altid estimater med konfidensintervaller og modelgrænser.
tre minisager
Tilfælde 1 — Emissionskoncentrationsforvirring. En facilitet ønskede at meddele, at den havde reduceret sine stakemissioner med 20%, og derfor var "naboluften 20% renere". Eksperten viste, at vindretningen ændrede sig på det tidspunkt, og koncentrationen var faktisk påvirket af meteorologi; Emissionsreduktionen var reel, men koncentrationspåstanden var ubegrundet. Udtalelsen var begrænset til "vi reducerede stakemissioner med 20%"; Luftpåstand uden bevis fjernet.
Tilfælde 2 — Sensorkalibrering. En skole modtog en "farlig PM2.5"-alarm med en lavprissensor. Da eksperten sammenlignede sensoren med en nærliggende referencestation, fandt han ud af, at værdien var oppustet ved høj luftfugtighed; Efter fugtkorrektion faldt værdien til "medium" niveau. En ukalibreret sensor kan forårsage panik. (Dette viser endnu en gang, hvor kritisk sensorkalibrering er i hvert måleområde.)
Case 3 — Prognosusikkerhed. En kommune advarede om "høj forurening" dagen efter med sin AI-prognosemodel, men en uventet sandstorm forpurrede prognosen. Holdet havde tidligere rapporteret, at modellen var "upålidelig til ikke-træningsdatahændelser"; derfor blev advarslen præsenteret som "mulig", og der var intet tab af tillid. At gøre usikkerhed klar er den ansvarlige brug af forudsigelse.
Svag prompt / Stærk prompt
Svag prompt:
Forudsig morgendagen med disse vejrdata.
Hvorfor det er svagt: Ingen krav til parametre, placering, datakvalitet, modeltype og usikkerhed. Outputtet ville være et enkelt tal, dets pålidelighed ukendt.
Kraftig prompt:
Din rolle: luftkvalitetsdataforsker. Med følgende PM2.5 timedata og meteorologi (vind, luftfugtighed, temperatur), opstil en simpel prognosemodel (f.eks. gradientforøgelse) i Python for de næste 24 timer. Trin: (1) datarensning og sensordriftskontrol, (2) funktionsforberedelse, (3) model, (4) give forudsigelser med konfidensinterval. Angiv tydeligt modellens begrænsninger (upålidelighed i ikke-pædagogiske situationer). Data: [her]
Fire kopierbare skabeloner
1) Luftdatarensning + AQI:
Ryd op i følgende luftkvalitetsmålinger med Python (undershoot, stuck, drift, overshoot) og konverter dem til standard AQI. Angiv hvilken AQI-formel du bruger; montering. Marker timer, der overstiger den lovlige grænse. Data: [her]
2) Emission vs koncentration skelnen:
Tjek følgende påstand: handler det om emissioner (fra kilden) eller koncentration (målt i luft)? Fremhæv de dele, der forvirrer de to, eller ignorer meteorologien og foreslå en målt omformulering baseret på beviser. Påstand: [her]
3) Forudsigelsesmodel (med usikkerhed):
Din rolle: data scientist. Byg en kortsigtet prognosemodel (Python) for [forurenende stof] med følgende tidsserie. Giv hver forudsigelse med dens konfidensinterval. Skriv tydeligt under hvilke forhold (ikke-træningsbegivenhed, ekstremt vejr) modellen ville være upålidelig. Alt for optimistisk sandhedspåstand FAKE.Data: [her]
4) Ressourcebidrag resumé:
Ud fra luftkvalitets- og vinddataene nedenfor, analyser hvilken retning vinden kommer fra i timer med høj forurening for at give et fingerpeg om den mulige kilderetning. Sig ikke "dette er kilden" direkte; Tilbyd sandsynlighed og verifikation. Data: [her]
Almindelige fejl
- Forveksler emission med koncentration. Et fald i skorstenen betyder ikke renlighed i luften.
- Stoler på en ukalibreret sensor. Fugtighed og afdrift øger værdierne.
- Præsentation af estimatet uden usikkerhed. Hvert estimat bør gives med et konfidensinterval.
- At få fysik til at passe med AI. Fordelingsmodellen kræver fysik; "Forudsigelsen" af LLM er ikke fysik.
- Husk juridiske tærskler. Tag grænseværdierne fra lovgivningen.
Forsigtig: Luftkvalitetsanprisninger vedrører folkesundheden. En falsk "ren" påstand sætter mennesker i fare; En ubegrundet "snavset" alarm skaber unødig panik og økonomisk skade. Støt hver påstand med kalibrerede data, passende model og klar usikkerhed.
Sammenfattende
Luftkvalitet; Det kræver adskillelse af emission fra koncentration, kalibrering af måling, passende modellering og forudsigelse præsenteret med usikkerhed. AI; Det er kraftfuldt til datarensning, mønsterudtræk og kortsigtet prognose. Men fysikbaseret distribution, sensorkalibrering, juridiske tærskler og ærlig rapportering af usikkerhed tilhører eksperten. Nummeret på skorstenen er ikke det samme som luften i nabolaget.
Ansøgningsopgave
Forbered hypotetiske time-PM2.5 og meteorologiske data for et sted. Med den 1. skabelon skal du få AI til at rense dataene, konvertere dem til AQI og markere overskridelser af tærskelværdier. Byg derefter en kortsigtet prognosemodel med den 3. skabelon og sørg for, at hver prognose kommer med et konfidensinterval. Få endelig din luftkvalitetsanprisning revideret for emissioner/koncentration med skabelon 2.
tjekliste
- [ ] Jeg skelnede korrekt mellem emission og koncentration.
- [ ] Jeg tjekkede sensordataene for kalibrering og drift.
- [ ] Jeg fik AQI og tærskler fra den korrekte formel/lovgivning.
- [ ] Jeg præsenterede estimaterne med konfidensinterval og modelgrænse.
- [ ] Jeg havde ikke AI til at tilpasse de dele, der krævede distribution/fysik.
- [ ] Jeg støttede folkesundhedspåstande med beviser.