سود:
- امکان تمایز بین انتشار (از منبع) و غلظت (اندازه گیری شده در هوا) و تبدیل داده های کالیبره شده به AQI و مقایسه آن با آستانه
- امکان ساخت یک مدل پیش بینی آلودگی کوتاه مدت و ارائه هر پیش بینی صادقانه با فواصل اطمینان و محدودیت های مدل
- توانایی پشتیبانی از ادعاهای سلامت عمومی با شواهد بدون داشتن هوش مصنوعی بخش هایی را که نیاز به توزیع/فیزیک دارند، تطبیق می دهد
آلودگی هوا نامرئی اما کشنده است: سالانه باعث مرگ زودرس میلیون ها نفر می شود و با تغییرات آب و هوایی در هم تنیده است. موسسات هم مسئول انتشارات پشته خود و هم کیفیت هوای اطرافشان هستند. در این بخش با پارامترهای کیفیت هوا، روش های اندازه گیری و مدل سازی، پیش بینی با هوش مصنوعی و محدودیت های همه اینها آشنا می شوید.
ابتدا مفاهیم کیفیت هوا به طور کلی بر روی چندین آلاینده اصلی اندازه گیری می شود: PM2.5 و PM10 (ذرات ذرات کوچکتر از 2.5 و 10 میکرون - گرد و غبار قابل تنفس)، NO2 (دی اکسید نیتروژن - حاصل از احتراق)، SO2 (دی اکسید گوگرد)، O3 (مونوکسید سطح زمین) و CO). AQI (شاخص کیفیت هوا) شاخصی است که این آلایندهها را به یک مقیاس رنگی/شماری (خوب-خطرناک) تبدیل میکند که عموم مردم بتوانند آن را درک کنند. انتشار مقدار آزاد شده از منبع است، در حالی که غلظت غلظت در هوا است. مهم است که این دو را اشتباه نگیرید.
نکته: انتشار (از منبع) و غلظت (اندازه گیری شده در هوا) دو چیز متفاوت هستند. باد، دما و توپوگرافی باعث انتشار یکسان در غلظت های بسیار متفاوت می شود. گفتن "از دودکش کمتر بیرون می آید" به این معنی نیست که "هوای اطراف تمیز است".
مدل سازی: از انتشار تا تمرکز
محاسبه غلظت آلاینده ای که از دودکش خارج می شود به محله نزدیک می رسد، یک موضوع مدل سازی پراکندگی است. این مدل ها از هواشناسی (جهت/سرعت باد، پایداری جوی) و توپوگرافی استفاده می کنند. مدلهای کلاسیک (مثلاً مدل توزیع گاوسی) مبتنی بر فیزیک هستند. هوش مصنوعی برای تسریع این مدلها، تفسیر خروجی و استخراج الگوها از مجموعه دادههای اندازهگیری بزرگ استفاده میشود – اما «تطبیق» فیزیک با هوش مصنوعی خطرناک است.
پیش بینی: پیش بینی هوای فردا
قوی ترین زمینه هوش مصنوعی پیش بینی است: ساخت مدل هایی که سطوح آلاینده را فردا یا چند ساعت بعد با استفاده از اندازه گیری های تاریخی، هواشناسی و داده های ترافیکی پیش بینی می کنند. این برای هشدارهای بهداشت عمومی و اقدامات احتیاطی (به عنوان مثال محدودیت ترافیک) ارزشمند است. اما هر پیشبینی دارای عدم قطعیت است و مدل زمانی که خارج از شرایطی باشد که در آن آموزش داده شده است (مثلاً یک آتشسوزی غیرمنتظره) اشتباه میکند.
گام به گام: تجزیه و تحلیل کیفیت هوا
1. سوال و پارامتر را انتخاب کنید. کدام آلاینده، کدام مکان، برای چه مدت؟
2. منبع داده را تأیید کنید. ایستگاه مرجع یا سنسور کم هزینه؟ کالیبر؟
3. پیش فرآیند. پاک کردن داده های از دست رفته، رانش حسگر، نقاط پرت شدید.
4. تبدیل به AQI و مقایسه با آستانه. آیا از حد قانونی فراتر رفته است؟
5. مدل/پیش بینی. روند، فصلی، پیش بینی آینده.
6. عدم قطعیت را گزارش کنید. همیشه برآوردها را با فواصل اطمینان و محدودیت مدل ارائه دهید.
سه کیف کوچک
مورد 1 - سردرگمی انتشار و غلظت. یکی از تاسیسات میخواست اعلام کند که انتشار گازهای گلخانهای خود را 20 درصد کاهش داده است و بنابراین "هوای محله 20٪ تمیزتر است". این کارشناس نشان داد که جهت باد در آن زمان تغییر کرده و غلظت آن در واقع تحت تاثیر هواشناسی بوده است. کاهش انتشار واقعی بود، اما ادعای غلظت غیرقابل اثبات بود. این بیانیه محدود به "ما انتشارات پشته را 20٪ کاهش دادیم" بود. ادعای هوایی بدون مدرک حذف شد.
مورد 2 - کالیبراسیون سنسور. یک مدرسه با یک سنسور ارزان قیمت هشدار "PM2.5 خطرناک" دریافت کرد. وقتی کارشناس سنسور را با ایستگاه مرجع نزدیک مقایسه کرد، متوجه شد که این مقدار در رطوبت بالا باد میشود. پس از اصلاح رطوبت، مقدار به سطح "متوسط" کاهش یافت. یک سنسور کالیبره نشده می تواند باعث وحشت شود. (این یک بار دیگر نشان می دهد که کالیبراسیون سنسور در هر ناحیه اندازه گیری چقدر حیاتی است.)
مورد 3 - عدم قطعیت پیش بینی. یک شهرداری روز بعد با مدل پیشبینی هوش مصنوعی خود درباره «آلودگی بالا» هشدار داد، اما طوفان شن غیرمنتظره این پیشبینی را خنثی کرد. این تیم قبلاً گزارش داده بود که این مدل برای رویدادهای دادههای غیر آموزشی غیرقابل اعتماد است. بنابراین هشدار به عنوان "ممکن" ارائه شد و هیچ از دست دادن اعتماد وجود نداشت. شفاف سازی عدم قطعیت، استفاده مسئولانه از پیش بینی است.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
با این داده های هواشناسی فردا را پیش بینی کنید.
چرا ضعیف است: عدم تقاضا برای پارامترها، مکان، کیفیت داده، نوع مدل و عدم قطعیت. خروجی یک عدد خواهد بود که قابلیت اطمینان آن ناشناخته است.
اعلان قدرتمند:
نقش شما: دانشمند داده های کیفیت هوا. با دادههای ساعتی PM2.5 و هواشناسی زیر (باد، رطوبت، دما)، یک مدل پیشبینی ساده (مثلاً افزایش گرادیان) در پایتون برای 24 ساعت آینده تنظیم کنید. مراحل: (1) تمیز کردن داده ها و کنترل دریفت حسگر، (2) آماده سازی ویژگی، (3) مدل، (4) پیش بینی ها با فاصله اطمینان. محدودیت های مدل (عدم اطمینان در موقعیت های غیر آموزشی) را به وضوح بیان کنید. داده ها: [اینجا]
چهار قالب قابل کپی
1) تمیز کردن داده های هوا + AQI:
اندازهگیریهای کیفیت هوای زیر را با پایتون پاک کنید (زیر تاب، گیر، دریفت، بیش از حد) و آنها را به AQI استاندارد تبدیل کنید. مشخص کنید که از کدام فرمول AQI استفاده می کنید. مناسب ساعاتی را که از آستانه قانونی فراتر رفته است علامت بزنید. داده ها: [اینجا]
2) تمایز انتشار در مقابل غلظت:
ادعای زیر را بررسی کنید: آیا در مورد انتشار (از منبع) یا غلظت (اندازه گیری شده در هوا) است؟ قسمت هایی را که این دو را اشتباه می گیرند یا هواشناسی را نادیده می گیرند برجسته کنید و بر اساس شواهد، بیان مجدد اندازه گیری شده را پیشنهاد دهید. ادعا: [اینجا]
3) مدل پیش بینی (با عدم قطعیت):
نقش شما: دانشمند داده یک مدل پیشبینی کوتاهمدت (پایتون) برای [آلاینده] با سریهای زمانی زیر بسازید. هر پیش بینی را با فاصله اطمینان آن ارائه دهید. به وضوح بنویسید که در چه شرایطی (رویداد غیر آموزشی، آب و هوای شدید) مدل غیرقابل اعتماد خواهد بود. ادعای حقیقت بیش از حد خوش بینانه FAKE.Data: [اینجا]
4) خلاصه سهم منابع:
از دادههای کیفیت هوا و باد زیر، تجزیه و تحلیل کنید که باد از کدام جهت در ساعات آلودگی بالا میآید تا سرنخی در مورد جهت منبع احتمالی داشته باشید. صراحتاً نگویید "این منبع است". احتمال و تأیید را پیشنهاد دهید. داده ها: [اینجا]
اشتباهات رایج
- انتشار اشتباه با تمرکز کاهش دودکش به معنای تمیزی هوا نیست.
- تکیه بر حسگر کالیبره نشده رطوبت و رانش مقادیر را متورم می کند.
- ارائه برآورد بدون عدم قطعیت هر تخمینی باید با فاصله اطمینان داده شود.
- تناسب فیزیک با هوش مصنوعی مدل توزیع نیاز به فیزیک دارد. "پیش بینی" LLM فیزیک نیست.
- به یاد آوردن آستانه های قانونی مقادیر حد را از قانون بگیرید.
احتیاط: ادعاهای مربوط به کیفیت هوا به سلامت عمومی مربوط می شود. ادعای نادرست "پاک" مردم را در معرض خطر قرار می دهد. زنگ هشدار بی اساس "کثیف" وحشت و آسیب اقتصادی غیر ضروری ایجاد می کند. از هر ادعایی با داده های کالیبره شده، مدل مناسب و عدم قطعیت واضح پشتیبانی کنید.
به طور خلاصه
کیفیت هوا؛ این نیاز به جداسازی انتشار از غلظت، کالیبره کردن اندازهگیری، مدلسازی مناسب و پیشبینی ارائه شده با عدم قطعیت دارد. هوش مصنوعی در تمیز کردن داده ها، استخراج الگو و پیش بینی کوتاه مدت قدرتمند است. اما توزیع مبتنی بر فیزیک، کالیبراسیون حسگر، آستانه های قانونی و گزارش صادقانه عدم قطعیت متعلق به متخصص است. عدد روی دودکش با هوای محله یکی نیست.
وظیفه کاربردی
PM2.5 ساعتی فرضی و داده های هواشناسی را برای یک مکان آماده کنید. با الگوی اول، از هوش مصنوعی بخواهید که داده ها را پاک کند، آن ها را به AQI تبدیل کند و بیش از حد آستانه را مشخص کند. سپس یک مدل پیشبینی کوتاهمدت با الگوی سوم بسازید و مطمئن شوید که هر پیشبینی با فاصله اطمینان همراه است. در نهایت، ادعای کیفیت هوای خود را از نظر انتشار/غلظت با الگوی 2 بررسی کنید.
چک لیست
- [ ] من به درستی بین انتشار و غلظت تمایز قائل شدم.
- [ ] داده های سنسور را برای کالیبراسیون و دریفت بررسی کردم.
- [ ] من AQI و آستانه ها را از فرمول/قانون صحیح دریافت کردم.
- [ ] من برآوردها را با فاصله اطمینان و حد مدل ارائه کردم.
- [ ] من هوش مصنوعی نداشتم که قطعاتی را که نیاز به توزیع/فیزیک دارند تطبیق دهد.
- [ ] من از ادعاهای بهداشت عمومی با شواهد پشتیبانی کردم.