Gewinne:
- Fähigkeit, zwischen Emissionen (von der Quelle) und Konzentration (gemessen in der Luft) zu unterscheiden und die kalibrierten Daten in AQI umzuwandeln und mit Schwellenwerten zu vergleichen
- Fähigkeit, ein kurzfristiges Vorhersagemodell für die Umweltverschmutzung zu erstellen und jede Vorhersage ehrlich mit Konfidenzintervallen und Modellgrenzen darzustellen
- Möglichkeit, Angaben zur öffentlichen Gesundheit mit Beweisen zu untermauern, ohne dass künstliche Intelligenz Teile anpassen muss, die Verteilung/Physik erfordern
Luftverschmutzung ist unsichtbar, aber tödlich: Sie verursacht jedes Jahr Millionen vorzeitiger Todesfälle und ist mit dem Klimawandel verknüpft. Institutionen sind sowohl für ihre eigenen Kaminemissionen als auch für die Luftqualität um sie herum verantwortlich. In dieser Einheit lernen Sie Luftqualitätsparameter, Mess- und Modellierungsmethoden, Vorhersagen mit KI und die Grenzen all dessen kennen.
Konzepte zuerst. Die Luftqualität wird im Allgemeinen anhand mehrerer Hauptschadstoffe gemessen: PM2,5 und PM10 (Partikel kleiner als 2,5 und 10 Mikrometer – alveolengängiger Staub), NO₂ (Stickstoffdioxid – aus der Verbrennung), SO₂ (Schwefeldioxid), O₃ (bodennahes Ozon) und CO (Kohlenmonoxid). AQI (Air Quality Index) ist der Index, der diese Schadstoffe in eine einzelne farbige/nummerierte Skala (gut bis gefährlich) umwandelt, die für die Öffentlichkeit verständlich ist. Bei der Emission handelt es sich um die aus der Quelle freigesetzte Menge, während es sich bei der Konzentration um die Konzentration in der Luft handelt. Es ist wichtig, die beiden nicht zu verwechseln.
Hinweis: Emission (aus der Quelle) und Konzentration (gemessen in der Luft) sind zwei verschiedene Dinge. Wind, Temperatur und Topographie führen dazu, dass dieselbe Emission zu sehr unterschiedlichen Konzentrationen führt. Zu sagen „Es kommt weniger aus dem Schornstein“ bedeutet nicht, dass „die Luft in der Nähe sauber ist“.
Modellierung: von der Emission zur Konzentration
Die Berechnung der Konzentration eines Schadstoffs, der aus einem Schornstein austritt und eine nahegelegene Nachbarschaft erreicht, ist eine Frage der Ausbreitungsmodellierung. Diese Modelle nutzen Meteorologie (Windrichtung/-geschwindigkeit, atmosphärische Stabilität) und Topographie. Klassische Modelle (z. B. Gaußsches Verteilungsmodell) basieren auf der Physik; KI wird verwendet, um diese Modelle zu beschleunigen, die Ausgabe zu interpretieren und Muster aus großen Messdatensätzen zu extrahieren – aber es ist gefährlich, die Physik in KI „einzupassen“.
Vorhersage: Vorhersage des morgigen Wetters
Das stärkste Feld der KI ist die Prognose: die Erstellung von Modellen, die anhand historischer Mess-, Meteorologie- und Verkehrsdaten die Schadstoffwerte für morgen oder ein paar Stunden später vorhersagen. Dies ist wichtig für Warnungen und Vorsichtsmaßnahmen im Bereich der öffentlichen Gesundheit (z. B. Verkehrsbeschränkungen). Aber jede Vorhersage ist mit Unsicherheiten behaftet, und das Modell wird falsch sein, wenn es außerhalb der Bedingungen liegt, unter denen es trainiert wurde (z. B. ein unerwarteter Brand).
Schritt für Schritt: eine Luftqualitätsanalyse
1. Wählen Sie die Frage und den Parameter aus. Welcher Schadstoff, welcher Ort, für welche Dauer?
2. Überprüfen Sie die Datenquelle. Referenzstation oder Low-Cost-Sensor? Kaliber?
3. Vorprozess. Bereinigen Sie fehlende Daten, Sensordrift und extreme Ausreißer.
4. In AQI umrechnen und mit dem Schwellenwert vergleichen. Ist der gesetzliche Grenzwert überschritten?
5. Modellieren/vorhersagen. Trend, Saisonalität, Zukunftsprognose.
6. Melden Sie Unsicherheit. Präsentieren Sie Schätzungen immer mit Konfidenzintervallen und Modellgrenzen.
drei Mini-Koffer
Fall 1 – Verwechslung von Emissionskonzentrationen. Eine Einrichtung wollte bekannt geben, dass sie ihre Kaminemissionen um 20 % reduziert habe und daher „die Luft in der Nachbarschaft um 20 % sauberer sei“. Der Experte zeigte, dass sich die Windrichtung zu diesem Zeitpunkt änderte und die Konzentration tatsächlich durch Meteorologie beeinflusst wurde; Die Emissionsreduzierung war real, aber die Konzentrationsbehauptung war unbegründet. Die Aussage beschränkte sich auf „Wir haben die Kaminemissionen um 20 % reduziert“; Luftanspruch ohne Beweise entfernt.
Fall 2 – Sensorkalibrierung. Eine Schule erhielt mit einem kostengünstigen Sensor eine „gefährliche PM2,5“-Warnung. Als der Experte den Sensor mit einer nahegelegenen Referenzstation verglich, stellte er fest, dass der Wert bei hoher Luftfeuchtigkeit überhöht war; Nach der Feuchtigkeitskorrektur sank der Wert auf das „mittlere“ Niveau. Ein nicht kalibrierter Sensor könnte Panik auslösen. (Dies zeigt einmal mehr, wie wichtig die Sensorkalibrierung in jedem Messbereich ist.)
Fall 3 – Prognoseunsicherheit. Eine Gemeinde warnte am nächsten Tag mit ihrem KI-Vorhersagemodell vor „hoher Umweltverschmutzung“, doch ein unerwarteter Sandsturm machte die Vorhersage zunichte. Das Team hatte zuvor berichtet, dass das Modell „für Nicht-Trainingsdatenereignisse unzuverlässig“ sei; daher wurde die Warnung als „möglich“ dargestellt und es kam zu keinem Vertrauensverlust. Unsicherheit deutlich zu machen, ist der verantwortungsvolle Umgang mit Vorhersagen.
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Sagen Sie morgen mit diesen Wetterdaten voraus.
Warum es schwach ist: Keine Nachfrage nach Parametern, Standort, Datenqualität, Modelltyp und Unsicherheit. Die Ausgabe wäre eine einzelne Zahl, deren Zuverlässigkeit unbekannt ist.
Kraftvolle Aufforderung:
Ihre Rolle: Luftqualitätsdatenwissenschaftler. Erstellen Sie mit den folgenden stündlichen PM2,5-Daten und der Meteorologie (Wind, Luftfeuchtigkeit, Temperatur) ein einfaches Vorhersagemodell (z. B. Gradient Boosting) in Python für die nächsten 24 Stunden. Schritte: (1) Datenbereinigung und Sensordriftkontrolle, (2) Merkmalsvorbereitung, (3) Modell, (4) Vorhersagen mit Konfidenzintervall. Machen Sie die Grenzen des Modells deutlich (Unzuverlässigkeit in nicht-pädagogischen Situationen). Daten: [hier]
Vier kopierbare Vorlagen
1) Luftdatenreinigung + AQI:
Bereinigen Sie die folgenden Luftqualitätsmessungen mit Python (Unterschreitung, Feststecken, Drift, Überschreitung) und konvertieren Sie sie in Standard-AQI. Geben Sie an, welche AQI-Formel Sie verwenden; Beschlag. Markieren Sie Stunden, die den gesetzlichen Grenzwert überschreiten. Daten: [hier]
2) Unterscheidung zwischen Emission und Konzentration:
Überprüfen Sie die folgende Aussage: Handelt es sich um Emissionen (aus der Quelle) oder um die Konzentration (gemessen in der Luft)? Markieren Sie die Teile, die die beiden verwechseln, oder ignorieren Sie die Meteorologie und schlagen Sie eine maßvolle Neudarstellung auf der Grundlage von Beweisen vor. Behauptung: [hier]
3) Vorhersagemodell (mit Unsicherheit):
Ihre Rolle: Datenwissenschaftler. Erstellen Sie ein kurzfristiges Prognosemodell (Python) für [Schadstoff] mit der folgenden Zeitreihe. Geben Sie für jede Vorhersage ihr Konfidenzintervall an. Schreiben Sie klar, unter welchen Bedingungen (kein Trainingsereignis, extremes Wetter) das Modell unzuverlässig wäre. Übermäßig optimistische Wahrheitsbehauptung FAKE.Data: [hier]
4) Zusammenfassung der Ressourcenbeiträge:
Analysieren Sie anhand der Luftqualitäts- und Winddaten unten, aus welcher Richtung der Wind in Stunden mit hoher Luftverschmutzung kommt, um einen Hinweis auf die mögliche Quellenrichtung zu erhalten. Sagen Sie nicht direkt „Das ist die Quelle“. Angebotswahrscheinlichkeit und Verifizierung. Daten: [hier]
Häufige Fehler
- Emission mit Konzentration verwechseln. Eine Verringerung des Schornsteins bedeutet nicht, dass die Luft sauber ist.
- Verlassen Sie sich auf einen nicht kalibrierten Sensor. Luftfeuchtigkeit und Drift treiben die Werte in die Höhe.
- Darstellung der Schätzung ohne Unsicherheit. Jede Schätzung sollte mit einem Konfidenzintervall angegeben werden.
- Mit KI die Physik fit machen. Das Verteilungsmodell erfordert Physik; Die „Vorhersage“ des LLM ist keine Physik.
- Sich an gesetzliche Grenzwerte erinnern. Entnehmen Sie die Grenzwerte der Gesetzgebung.
Achtung: Angaben zur Luftqualität betreffen die öffentliche Gesundheit. Eine falsche „saubere“ Behauptung gefährdet Menschen; Ein unbegründeter „schmutziger“ Alarm erzeugt unnötige Panik und wirtschaftlichen Schaden. Untermauern Sie jeden Anspruch mit kalibrierten Daten, einem geeigneten Modell und einer klaren Unsicherheit.
Zusammenfassend
Luftqualität; Es erfordert die Trennung der Emission von der Konzentration, die Kalibrierung der Messung sowie eine geeignete Modellierung und Vorhersage mit Unsicherheit. KI; Es ist leistungsstark bei der Datenbereinigung, Musterextraktion und kurzfristigen Prognosen. Aber physikbasierte Verteilung, Sensorkalibrierung, gesetzliche Grenzwerte und ehrliche Meldung von Unsicherheiten gehören dem Experten. Die Zahl auf dem Schornstein stimmt nicht mit der Luft in der Nachbarschaft überein.
Anwendungsaufgabe
Bereiten Sie hypothetische stündliche PM2,5- und meteorologische Daten für einen Standort vor. Lassen Sie mit der 1. Vorlage die Daten von der KI bereinigen, in AQI umwandeln und Schwellenwertüberschreitungen markieren. Erstellen Sie dann mit der dritten Vorlage ein kurzfristiges Prognosemodell und stellen Sie sicher, dass jede Prognose über ein Konfidenzintervall verfügt. Lassen Sie abschließend Ihren Luftqualitätsanspruch mit Vorlage 2 auf Emissionen/Konzentration prüfen.
Checkliste
- [ ] Ich habe die Unterscheidung zwischen Emission und Konzentration richtig gemacht.
- [ ] Ich habe die Sensordaten auf Kalibrierung und Drift überprüft.
- [ ] Ich habe den AQI und die Schwellenwerte aus der richtigen Formel/Gesetzgebung erhalten.
- [ ] Ich habe die Schätzungen mit Konfidenzintervall und Modellgrenze präsentiert.
- [ ] Ich ließ die KI nicht die Teile anpassen, die eine Verteilung/Physik erforderten.
- [ ] Ich habe gesundheitsbezogene Behauptungen mit Beweisen untermauert.