Ganancias:
- Capacidad para distinguir entre emisiones (de la fuente) y concentración (medidas en el aire) y convertir los datos calibrados a AQI y compararlos con umbrales.
- Capacidad para construir un modelo de predicción de la contaminación a corto plazo y presentar cada predicción de manera honesta con intervalos de confianza y límites del modelo.
- Capacidad para respaldar afirmaciones de salud pública con evidencia sin que la inteligencia artificial adapte piezas que requieran distribución/física.
La contaminación del aire es invisible pero mortal: causa millones de muertes prematuras cada año y está entrelazada con el cambio climático. Las instituciones son responsables tanto de sus propias emisiones de chimenea como de la calidad del aire que las rodea. En esta unidad aprenderás parámetros de calidad del aire, métodos de medición y modelización, predicción con IA y los límites de todos estos.
Primero los conceptos. La calidad del aire generalmente se mide en función de varios contaminantes importantes: PM2,5 y PM10 (partículas de menos de 2,5 y 10 micrones, polvo respirable), NO₂ (dióxido de nitrógeno, procedente de la combustión), SO₂ (dióxido de azufre), O₃ (ozono a nivel del suelo) y CO (monóxido de carbono). AQI (Índice de Calidad del Aire) es el índice que convierte estos contaminantes en una escala única de color/numerada (bueno-peligroso) que el público puede entender. La emisión es la cantidad liberada por la fuente, mientras que la concentración es la concentración en el aire; Es fundamental no confundir los dos.
Pista: La emisión (de la fuente) y la concentración (medida en el aire) son dos cosas diferentes. El viento, la temperatura y la topografía hacen que una misma emisión produzca concentraciones muy diferentes. Decir "de la chimenea sale menos" no significa "el aire cercano está limpio".
Modelización: de la emisión a la concentración
Calcular la concentración de un contaminante que sale de una chimenea llegará a un barrio cercano es una cuestión de modelización de dispersión. Estos modelos utilizan la meteorología (dirección/velocidad del viento, estabilidad atmosférica) y la topografía. Los modelos clásicos (por ejemplo, el modelo de distribución gaussiano) se basan en la física; La IA se utiliza para acelerar estos modelos, interpretar los resultados y extraer patrones de grandes conjuntos de datos de medición, pero es peligroso “hacer” que la física encaje en la IA.
Pronóstico: predecir el tiempo de mañana
El campo más fuerte de la IA es el pronóstico: construir modelos que predicen los niveles de contaminantes mañana o unas horas más tarde, utilizando mediciones históricas, datos meteorológicos y de tráfico. Esto es valioso para advertencias y precauciones de salud pública (por ejemplo, restricción de tráfico). Pero toda predicción tiene incertidumbre y el modelo se equivocará si no cumple con las condiciones en las que fue entrenado (por ejemplo, un incendio inesperado).
Paso a paso: un análisis de la calidad del aire
1. Seleccione la pregunta y el parámetro. ¿Qué contaminante, en qué lugar y durante cuánto tiempo?
2. Verifique la fuente de datos. ¿Estación de referencia o sensor de bajo coste? ¿Calibre?
3. Preproceso. Limpie los datos faltantes, la desviación del sensor y los valores atípicos extremos.
4. Convierta a AQI y compárelo con el umbral. ¿Se supera el límite legal?
5. Modelar/predecir. Tendencia, estacionalidad, proyección futura.
6. Informar la incertidumbre. Presente siempre estimaciones con intervalos de confianza y límites del modelo.
tres mini casos
Caso 1: Confusión de concentración de emisiones. Una instalación quería anunciar que había reducido las emisiones de sus chimeneas en un 20 % y, por lo tanto, "el aire del vecindario estaba un 20 % más limpio". El experto demostró que la dirección del viento cambió en ese momento y la concentración en realidad se vio afectada por la meteorología; La reducción de emisiones fue real, pero la afirmación de concentración no estaba fundamentada. La declaración se limitó a "redujimos las emisiones de las chimeneas en un 20%"; Reclamación aérea sin pruebas eliminada.
Caso 2: Calibración del sensor. Una escuela recibió una alerta de "PM2,5 peligrosas" con un sensor de bajo costo. Cuando el experto comparó el sensor con una estación de referencia cercana, descubrió que el valor estaba inflado con alta humedad; Después de la corrección de la humedad, el valor disminuyó al nivel "medio". Un sensor no calibrado podría causar pánico. (Esto muestra una vez más cuán crítica es la calibración del sensor en cada área de medición).
Caso 3: Incertidumbre en el pronóstico. Un municipio advirtió sobre una "alta contaminación" al día siguiente con su modelo de pronóstico de IA, pero una tormenta de arena inesperada frustró el pronóstico. El equipo había informado anteriormente que el modelo “no era confiable para eventos de datos que no eran de entrenamiento”; por lo que la advertencia se presentó como "posible" y no hubo pérdida de confianza. Dejar clara la incertidumbre es el uso responsable de la predicción.
Aviso débil / Aviso fuerte
Aviso débil:
Predice mañana con estos datos meteorológicos.
Por qué es débil: No hay demanda de parámetros, ubicación, calidad de datos, tipo de modelo e incertidumbre. El resultado sería un único número, cuya fiabilidad se desconoce.
Potente mensaje:
Su función: científico de datos sobre la calidad del aire. Con los siguientes datos horarios de PM2.5 y meteorología (viento, humedad, temperatura), configure un modelo de pronóstico simple (por ejemplo, aumento de gradiente) en Python para las próximas 24 horas. Pasos: (1) limpieza de datos y control de deriva del sensor, (2) preparación de funciones, (3) modelo, (4) dar predicciones con intervalo de confianza. Establecer claramente las limitaciones del modelo (falta de fiabilidad en situaciones no educativas). Datos: [aquí]
Cuatro plantillas copiables
1) Limpieza de datos del aire + AQI:
Limpie las siguientes mediciones de calidad del aire con Python (infravaloración, atascamiento, deriva, sobreimpulso) y conviértalas a AQI estándar. Especifique qué fórmula de AQI utiliza; adecuado. Marcar horas que superen el umbral legal. Datos: [aquí]
2) Distinción entre emisión y concentración:
Verifique la siguiente afirmación: ¿se trata de emisiones (de la fuente) o de concentración (medida en el aire)? Resalte las partes que confunden a ambos o ignoran la meteorología y sugiere una reformulación mesurada basada en evidencia. Reclamo: [aquí]
3) Modelo de predicción (con incertidumbre):
Su rol: científico de datos. Construya un modelo de pronóstico a corto plazo (Python) para [contaminante] con la siguiente serie de tiempo. Dé cada predicción con su intervalo de confianza. Escriba claramente en qué condiciones (evento sin entrenamiento, clima extremo) el modelo no sería confiable. Afirmación de verdad demasiado optimista FALSO.Datos: [aquí]
4) Resumen de contribución de recursos:
A partir de los datos de calidad del aire y viento que aparecen a continuación, analice de qué dirección proviene el viento durante las horas de alta contaminación para dar una pista sobre la posible dirección de la fuente. No digas "esta es la fuente" directamente; Ofrecer probabilidad y verificación. Datos: [aquí]
Errores comunes
- Confundir emisión con concentración. Una disminución de la chimenea no significa limpieza en el aire.
- Depender de un sensor no calibrado. La humedad y la deriva inflan los valores.
- Presentar la estimación sin incertidumbre. Cada estimación debe darse con un intervalo de confianza.
- Hacer que la física encaje con la IA. El modelo de distribución requiere física; La "predicción" del LLM no es física.
- Recordando los umbrales legales. Tome los valores límite de la legislación.
Precaución: Las afirmaciones sobre la calidad del aire preocupan a la salud pública. Una afirmación falsa de "limpieza" pone en riesgo a las personas; Una alarma "sucia" infundada crea pánico innecesario y daños económicos. Respalde cada afirmación con datos calibrados, un modelo apropiado y una incertidumbre clara.
En resumen
Calidad del aire; Requiere separar la emisión de la concentración, calibrar la medición, modelar apropiadamente y predecir con incertidumbre. AI; Es poderoso en la limpieza de datos, extracción de patrones y pronósticos a corto plazo. Pero la distribución basada en la física, la calibración de sensores, los umbrales legales y la notificación honesta de la incertidumbre pertenecen al experto. El número de la chimenea no es el mismo que el del aire del barrio.
Tarea de aplicación
Prepare datos hipotéticos de PM2.5 por hora y meteorológicos para una ubicación. Con la primera plantilla, haga que la IA limpie los datos, los convierta a AQI y marque los umbrales superados. Luego, cree un modelo de pronóstico a corto plazo con la tercera plantilla y asegúrese de que cada pronóstico venga con un intervalo de confianza. Finalmente, haga que su declaración de calidad del aire sea auditada en cuanto a emisiones/concentración con la plantilla 2.
lista de verificación
- [ ] Hice correctamente la distinción entre emisión y concentración.
- [] Revisé los datos del sensor para verificar la calibración y la deriva.
- [] Obtuve el ICA y los umbrales de la fórmula/legislación correcta.
- [ ] Presenté las estimaciones con intervalo de confianza y límite del modelo.
- [ ] No hice que la IA adaptara las piezas que requerían distribución/física.
- [] Apoyé las afirmaciones de salud pública con evidencia.