Gains :
- Capacité à faire la distinction entre les émissions (de la source) et la concentration (mesurée dans l'air) et à convertir les données calibrées en AQI et à les comparer aux seuils
- Capacité à créer un modèle de prévision de la pollution à court terme et à présenter honnêtement chaque prévision avec des intervalles de confiance et des limites du modèle
- Capacité à étayer les allégations de santé publique avec des preuves sans que l'intelligence artificielle n'adapte les parties qui nécessitent une distribution/physique
La pollution de l’air est invisible mais mortelle : elle provoque chaque année des millions de décès prématurés et est étroitement liée au changement climatique. Les établissements sont responsables à la fois de leurs propres émissions de cheminée et de la qualité de l’air qui les entoure. Dans cette unité, vous apprendrez les paramètres de la qualité de l'air, les méthodes de mesure et de modélisation, la prédiction avec l'IA et les limites de tout cela.
Les notions d’abord. La qualité de l'air est généralement mesurée sur plusieurs polluants majeurs : PM2,5 et PM10 (particules inférieures à 2,5 et 10 microns - poussière respirable), NO₂ (dioxyde d'azote - provenant de la combustion), SO₂ (dioxyde de soufre), O₃ (ozone troposphérique) et CO (monoxyde de carbone). L'AQI (Air Quality Index) est l'indice qui convertit ces polluants en une seule échelle colorée/numérotée (bon-dangereux) que le public peut comprendre. L'émission est la quantité rejetée par la source, tandis que la concentration est la concentration dans l'air ; Il est essentiel de ne pas confondre les deux.
Indice : l'émission (de la source) et la concentration (mesurée dans l'air) sont deux choses différentes. Le vent, la température et la topographie font qu’une même émission donne lieu à des concentrations très différentes. Dire « il y a moins de sortie de la cheminée » ne veut pas dire « l’air à proximité est propre ».
Modélisation : de l’émission à la concentration
Calculer la concentration d'un polluant sortant d'une cheminée qui atteindra un quartier voisin est une question de modélisation de dispersion. Ces modèles utilisent la météorologie (direction/vitesse du vent, stabilité atmosphérique) et la topographie. Les modèles classiques (par exemple le modèle de distribution gaussienne) sont basés sur la physique ; L’IA est utilisée pour accélérer ces modèles, interpréter les résultats et extraire des modèles à partir de grands ensembles de données de mesure – mais il est dangereux de « faire » entrer la physique dans l’IA.
Prévisions : prédire la météo de demain
Le domaine le plus puissant de l'IA est la prévision : construire des modèles qui prédisent les niveaux de polluants demain ou quelques heures plus tard, en utilisant des mesures historiques, la météorologie et des données de trafic. Ceci est utile pour les avertissements et les précautions de santé publique (par exemple, restriction de la circulation). Mais toute prédiction comporte une incertitude, et le modèle sera erroné s’il sort des conditions pour lesquelles il a été formé (par exemple, un incendie inattendu).
Pas à pas : une analyse de la qualité de l’air
1. Sélectionnez la question et le paramètre. Quel polluant, à quel endroit, pour quelle durée ?
2. Vérifiez la source de données. Station de référence ou capteur à faible coût ? Calibre?
3. Pré-traitement. Nettoyez les données manquantes, la dérive du capteur et les valeurs aberrantes extrêmes.
4. Convertissez en AQI et comparez avec le seuil. La limite légale est-elle dépassée ?
5. Modéliser/prédire. Tendance, saisonnalité, projection future.
6. Signalez l’incertitude. Présentez toujours les estimations avec des intervalles de confiance et des limites du modèle.
trois mini-cases
Cas 1 — Confusion émission-concentration. Une installation souhaitait annoncer qu'elle avait réduit les émissions de ses cheminées de 20 % et que, par conséquent, « l'air du quartier était 20 % plus propre ». L'expert a montré que la direction du vent changeait à ce moment-là et que la concentration était en réalité affectée par la météorologie ; La réduction des émissions était réelle, mais l’allégation de concentration n’était pas fondée. La déclaration se limitait à « nous avons réduit les émissions des cheminées de 20 % » ; Réclamation aérienne sans preuve retirée.
Cas 2 — Étalonnage du capteur. Une école a reçu une alerte « PM2,5 dangereux » avec un capteur à faible coût. Lorsque l'expert a comparé le capteur à une station de référence proche, il a constaté que la valeur était gonflée en cas d'humidité élevée ; Après correction de l'humidité, la valeur a diminué jusqu'au niveau « moyen ». Un capteur non calibré pourrait provoquer la panique. (Cela montre une fois de plus à quel point l’étalonnage du capteur est critique dans chaque zone de mesure.)
Cas 3 — Incertitude des prévisions. Une municipalité a mis en garde le lendemain contre une « forte pollution » avec son modèle de prévision par IA, mais une tempête de sable inattendue a déjoué les prévisions. L'équipe avait précédemment signalé que le modèle n'était « pas fiable pour les événements de données non liés à la formation » ; l'avertissement a donc été présenté comme « possible » et il n'y a eu aucune perte de confiance. Faire clairement ressortir l’incertitude est une utilisation responsable de la prédiction.
Invite faible/Invite forte
Invite faible :
Prédisez demain avec ces données météorologiques.
Pourquoi il est faible : aucune demande de paramètres, d'emplacement, de qualité des données, de type de modèle et d'incertitude. Le résultat serait un nombre unique, dont la fiabilité est inconnue.
Invite puissante :
Votre rôle : data scientist sur la qualité de l'air. Avec les données horaires PM2,5 et la météorologie suivantes (vent, humidité, température), configurez un modèle de prévision simple (par exemple, augmentation du gradient) en Python pour les prochaines 24 heures. Étapes : (1) nettoyage des données et contrôle de la dérive du capteur, (2) préparation des caractéristiques, (3) modèle, (4) donner des prédictions avec un intervalle de confiance. Énoncez clairement les limites du modèle (manque de fiabilité dans des situations non éducatives). Données : [ici]
Quatre modèles copiables
1) Nettoyage des données aériennes + AQI :
Nettoyez les mesures de qualité de l'air suivantes avec Python (sous-dépassement, blocage, dérive, dépassement) et convertissez-les en AQI standard. Précisez la formule AQI que vous utilisez ; convenable. Marquez les heures qui dépassent le seuil légal. Données : [ici]
2) Distinction émission et concentration :
Vérifiez l'affirmation suivante : s'agit-il d'émissions (provenant de la source) ou de concentration (mesurée dans l'air) ? Mettez en évidence les parties qui confondent les deux ou ignorent la météorologie et suggérez une reformulation mesurée basée sur des preuves. Réclamation : [ici]
3) Modèle de prédiction (avec incertitude) :
Votre rôle : data scientist. Créez un modèle de prévision à court terme (Python) pour [polluant] avec la série chronologique suivante. Donnez chaque prédiction avec son intervalle de confiance. Écrivez clairement dans quelles conditions (événement hors formation, conditions météorologiques extrêmes) le modèle ne serait pas fiable. Une affirmation de vérité trop optimiste FAKE.Data : [ici]
4) Résumé de la contribution des ressources :
À partir des données sur la qualité de l'air et le vent ci-dessous, analysez la direction d'où vient le vent pendant les heures de forte pollution pour donner une idée de la direction possible de la source. Ne dites pas carrément « ceci est la source » ; Offrez probabilité et vérification. Données : [ici]
Erreurs courantes
- Confondre émission et concentration. Une diminution de la cheminée ne signifie pas une pureté de l'air.
- S'appuyer sur un capteur non calibré. L'humidité et la dérive gonflent les valeurs.
- Présenter l’estimation sans incertitude. Chaque estimation doit être donnée avec un intervalle de confiance.
- Adapter la physique à l’IA. Le modèle de distribution nécessite de la physique ; La « prédiction » du LLM n’est pas la physique.
- Rappel des seuils légaux. Prenez les valeurs limites de la législation.
Attention : les allégations relatives à la qualité de l'air concernent la santé publique. Une fausse affirmation « propre » met les gens en danger ; Une alarme « sale » infondée crée une panique inutile et des dégâts économiques. Étayez chaque affirmation avec des données calibrées, un modèle approprié et une incertitude claire.
En résumé
Qualité de l'air ; Cela nécessite de séparer les émissions de la concentration, de calibrer les mesures, une modélisation appropriée et des prévisions présentées avec incertitude. IA ; Il est puissant pour le nettoyage des données, l’extraction de modèles et la prévision à court terme. Mais la distribution basée sur la physique, l’étalonnage des capteurs, les seuils légaux et la communication honnête des incertitudes appartiennent à l’expert. Le numéro sur la cheminée n'est pas le même que celui de l'air du quartier.
Tâche de candidature
Préparez des données horaires hypothétiques sur les PM2,5 et les données météorologiques pour un emplacement. Avec le 1er modèle, demandez à l'IA de nettoyer les données, de les convertir en AQI et de marquer les dépassements de seuil. Créez ensuite un modèle de prévision à court terme avec le 3ème modèle et assurez-vous que chaque prévision est accompagnée d'un intervalle de confiance. Enfin, faites vérifier votre déclaration relative à la qualité de l'air pour les émissions/concentrations à l'aide du modèle 2.
liste de contrôle
- [ ] J'ai bien fait la distinction entre émission et concentration.
- [ ] J'ai vérifié les données du capteur pour l'étalonnage et la dérive.
- [ ] J'ai obtenu l'IQA et les seuils à partir de la formule/législation correcte.
- [ ] J'ai présenté les estimations avec intervalle de confiance et limite du modèle.
- [ ] Je n'ai pas demandé à l'IA d'adapter les parties qui nécessitaient une distribution/physique.
- [ ] J'ai étayé les allégations de santé publique avec des preuves.