Voitot:
- Kyky erottaa päästöt (lähteestä) ja pitoisuus (ilmasta mitattuna) ja muuntaa kalibroidut tiedot AQI:ksi ja verrata niitä kynnysarvoihin
- Kyky rakentaa lyhyen aikavälin saastumisen ennustemalli ja esittää jokainen ennuste rehellisesti luottamusvälien ja mallirajojen kanssa
- Kyky tukea kansanterveysväittämiä todisteilla ilman, että tekoäly mukauttaa jakelua/fysiikkaa vaativia osia
Ilman saastuminen on näkymätöntä, mutta tappavaa: se aiheuttaa miljoonia ennenaikaisia kuolemia joka vuosi ja kietoutuu ilmastonmuutokseen. Oppilaitokset vastaavat sekä omista pinopäästöistään että ympärillään olevasta ilmanlaadusta. Tässä osiossa opit ilmanlaatuparametreja, mittaus- ja mallinnusmenetelmiä, ennustamista tekoälyllä ja näiden kaikkien rajat.
Käsitteet ensin. Ilmanlaatua mitataan yleensä useilla merkittävillä epäpuhtauksilla: PM2,5 ja PM10 (hiukkaset, joiden koko on alle 2,5 ja 10 mikronia – hengitettävä pöly), NO₂ (typpidioksidi – palamisesta), SO₂ (rikkidioksidi), O₃ (maanpinnan otsoni) ja CO (hiilimonoksidi). AQI (Air Quality Index) on indeksi, joka muuntaa nämä epäpuhtaudet yhdeksi värilliseksi/numeroiduksi asteikoksi (hyvä-vaarallinen), jonka yleisö ymmärtää. Päästö on lähteestä vapautuva määrä, kun taas pitoisuus on pitoisuus ilmassa; On tärkeää, ettei näitä kahta sekoita.
Vihje: Päästöt (lähteestä) ja pitoisuus (ilmasta mitattuna) ovat kaksi eri asiaa. Tuuli, lämpötila ja topografia aiheuttavat saman päästön, joka johtaa hyvin erilaisiin pitoisuuksiin. Sanonta "piipusta tulee vähemmän" ei tarkoita, että "lähellä oleva ilma on puhdasta".
Mallintaminen: päästöstä pitoisuuteen
Savupiipusta tulevan epäpuhtauden pitoisuuden laskeminen lähiseudulle on hajautusmallinnuksen asia. Nämä mallit käyttävät meteorologiaa (tuulen suunta/nopeus, ilmakehän vakaus) ja topografiaa. Klassiset mallit (esim. Gaussin jakautumismalli) ovat fysiikkaan perustuvia; Tekoälyä käytetään näiden mallien kiihdyttämiseen, tulosten tulkitsemiseen ja kuvioiden poimimiseen suurista mittaustietosarjoista – mutta fysiikan ”sovittaminen” tekoälyyn on vaarallista.
Ennuste: ennustaa huomisen säätä
Tekoälyn vahvin kenttä on ennustaminen: rakennetaan malleja, jotka ennustavat saastetasoja huomenna tai muutaman tunnin kuluttua historiallisten mittausten, meteorologian ja liikennetietojen perusteella. Tämä on arvokasta kansanterveysvaroitusten ja varotoimien (esim. liikennerajoitusten) kannalta. Mutta jokaisessa ennusteessa on epävarmuutta, ja malli on väärä, kun se putoaa niiden olosuhteiden ulkopuolelle, joihin se on koulutettu (esimerkiksi odottamaton tulipalo).
Askel askeleelta: ilmanlaatuanalyysi
1. Valitse kysymys ja parametri. Mikä saaste, mikä paikka, kuinka kauan?
2. Tarkista tietolähde. Viiteasema vai halpa anturi? Kaliiperi?
3. Esikäsittely. Siivoa puuttuvat tiedot, anturin ajautuminen, äärimmäiset poikkeamat.
4. Muunna AQI:ksi ja vertaa kynnykseen. Onko lakisääteinen raja ylitetty?
5. Malli/ennusta. Trendi, kausivaihtelu, tulevaisuuden ennuste.
6. Ilmoita epävarmuus. Esitä arviot aina luottamusvälien ja mallirajojen kanssa.
kolme minilaukkua
Tapaus 1 – Päästöjen ja pitoisuuksien sekaannus. Yksi laitos halusi ilmoittaa, että se oli vähentänyt pinopäästöjään 20 % ja siksi "naapuruston ilma oli 20 % puhtaampaa". Asiantuntija osoitti, että tuulen suunta muuttui tuolloin ja meteorologia vaikutti keskittymiseen; Päästövähennys oli todellinen, mutta pitoisuusväite oli perusteeton. Lausunto rajoittui "vähensimme pinopäästöjä 20 %"; Ilmavaatimus ilman todisteita poistettu.
Tapaus 2 — Anturin kalibrointi. Koulu sai "vaarallisen PM2.5" -hälytyksen edullisella anturilla. Kun asiantuntija vertasi anturia läheiseen vertailuasemaan, hän havaitsi, että arvo oli ilmaantunut korkeassa kosteudessa; Kosteuskorjauksen jälkeen arvo laski "keskitasolle". Kalibroimaton anturi voi aiheuttaa paniikkia. (Tämä osoittaa jälleen kerran, kuinka kriittinen anturin kalibrointi on jokaisella mittausalueella.)
Tapaus 3 – Ennusteen epävarmuus. Kunta varoitti "korkeasta saasteesta" seuraavana päivänä tekoälyn ennustemallillaan, mutta odottamaton hiekkamyrsky teki ennusteen tyhjäksi. Ryhmä oli aiemmin raportoinut, että malli oli "epäluotettava ei-harjoittelun datatapahtumiin"; siksi varoitus esitettiin "mahdollisena", eikä luottamus menetetty. Epävarmuuden tekeminen selväksi on ennakoinnin vastuullista käyttöä.
Heikko kehote / Vahva kehote
Heikko kehote:
Ennusta huominen näillä säätiedoilla.
Miksi se on heikko: Ei kysyntää parametreille, sijainnille, tiedon laadulle, mallityypille ja epävarmuudelle. Tulos olisi yksittäinen luku, sen luotettavuus tuntematon.
Tehokas kehotus:
Sinun roolisi: ilmanlaadun tietäjä. Seuraavien PM2.5 tuntitietojen ja meteorologian (tuuli, kosteus, lämpötila) avulla voit määrittää Pythonissa yksinkertainen ennustemalli (esim. gradientin tehostaminen) seuraaville 24 tunnille. Vaiheet: (1) tietojen puhdistus ja anturien poikkeaman ohjaus, (2) ominaisuuksien valmistelu, (3) malli, (4) antaa ennusteita luottamusvälillä. Kerro selkeästi mallin rajoitukset (epäluotettavuus ei-kasvatustilanteissa). Tiedot: [täällä]
Neljä kopioitavaa mallia
1) Ilmatietojen puhdistus + AQI:
Puhdista seuraavat ilmanlaadun mittaukset Pythonilla (aliarvo, jumiutuminen, ajautuminen, ylitys) ja muunna ne standardi AQI:ksi. Määritä mitä AQI-kaavaa käytät; asennus. Merkitse tunnit, jotka ylittävät laillisen kynnyksen. Tiedot: [täällä]
2) Päästöjen ja pitoisuuksien ero:
Tarkista seuraava väite: onko kyse päästöistä (lähteestä) vai pitoisuudesta (ilmasta mitattuna)? Korosta osat, jotka sekoittavat nämä kaksi tai jätä huomioimatta meteorologia ja ehdota mitattua oikaisemista todisteiden perusteella. Väite: [täällä]
3) Ennustemalli (epävarmuudella):
Sinun roolisi: datatieteilijä. Rakenna lyhyen aikavälin ennustemalli (Python) [pollutant]:lle seuraavilla aikasarjoilla. Anna jokainen ennuste sen luottamusvälillä. Kirjoita selkeästi, missä olosuhteissa (ei-harjoittelutapahtuma, äärimmäinen sää) malli olisi epäluotettava. Liian optimistinen totuusväite FAKE.Data: [täällä]
4) Resurssien panoksen yhteenveto:
Analysoi alla olevista ilmanlaatu- ja tuulitiedoista, mistä suunnasta tuuli tulee korkean saastumisen aikoina, jotta saat vihjeen mahdollisesta lähteen suunnasta. Älä sano suoraan "tämä on lähde"; Tarjoa todennäköisyys ja vahvistus. Tiedot: [täällä]
Yleisiä virheitä
- Hämmentävä päästö ja keskittyminen. Savupiipun lasku ei tarkoita ilman puhtautta.
- Luotetaan kalibroimattomaan anturiin. Kosteus ja ajautuminen paisuttavat arvoja.
- Esitetään arvio ilman epävarmuutta. Jokainen arvio tulee antaa luottamusvälillä.
- Fysiikan sovittaminen yhteen tekoälyn kanssa. Jakaumamalli vaatii fysiikkaa; LLM:n "ennustus" ei ole fysiikkaa.
- Muista lailliset kynnykset. Ota raja-arvot lainsäädännöstä.
Varoitus: Ilmanlaatuväitteet koskevat kansanterveyttä. Väärä "puhdas" väite asettaa ihmiset vaaraan; Perusteeton "likainen" hälytys aiheuttaa tarpeetonta paniikkia ja taloudellisia vahinkoja. Tue jokaista väitettä kalibroiduilla tiedoilla, sopivalla mallilla ja selkeällä epävarmuudella.
Yhteenvetona
ilmanlaatu; Se edellyttää päästöjen erottamista pitoisuudesta, mittauksen kalibrointia, asianmukaista mallintamista ja ennustetta, joka esitetään epävarmuudella. AI; Se on tehokas tietojen puhdistuksessa, kuvioiden poiminnassa ja lyhyen aikavälin ennustamisessa. Mutta fysiikkaan perustuva jakelu, anturin kalibrointi, lakisääteiset kynnykset ja rehellinen epävarmuusraportointi kuuluvat asiantuntijalle. Savupiipun numero ei ole sama kuin naapuruston ilma.
Sovellustehtävä
Valmistele hypoteettiset tuntikohtaiset PM2,5- ja meteorologiset tiedot paikasta. Ensimmäisellä mallilla pyydä tekoälyä puhdistamaan tiedot, muuttamaan ne AQI:ksi ja merkitsemään kynnyksen ylitykset. Rakenna sitten lyhyen aikavälin ennustemalli kolmannella mallilla ja varmista, että jokaisessa ennusteessa on luottamusväli. Lopuksi tarkasta ilmanlaatuväitteesi päästöjen/pitoisuuksien osalta mallin 2 avulla.
tarkistuslista
- [ ] Tein eron päästön ja pitoisuuden välillä oikein.
- [ ] Tarkistin anturin tiedot kalibroinnin ja ryöminnän varalta.
- [ ] Sain AQI:n ja kynnysarvot oikeasta kaavasta/lainsäädännöstä.
- [ ] Esitin arviot luottamusvälillä ja mallirajalla.
- [ ] Minulla ei ollut tekoälyä mukauttaa osia, jotka vaativat jakelua/fysiikkaa.
- [ ] Tuin kansanterveysväittämiä todisteilla.