હવાની ગુણવત્તા અને પ્રદૂષણનું નિરીક્ષણ: માપન, મોડેલિંગ અને આગાહી

નફો:

• ઉત્સર્જન (સ્રોતમાંથી) અને સાંદ્રતા (હવામાં માપવામાં આવે છે) વચ્ચે તફાવત કરવાની ક્ષમતા અને માપાંકિત ડેટાને AQI માં રૂપાંતરિત કરવાની અને થ્રેશોલ્ડ સાથે તેની તુલના કરવાની ક્ષમતા
• ટૂંકા ગાળાના પ્રદૂષણ અનુમાન મોડલ બનાવવાની ક્ષમતા અને દરેક ભવિષ્યવાણીને આત્મવિશ્વાસના અંતરાલ અને મોડલ મર્યાદાઓ સાથે પ્રામાણિકપણે રજૂ કરવાની ક્ષમતા
• કૃત્રિમ બુદ્ધિમત્તાના અનુકૂલન ભાગો કે જેને વિતરણ/ભૌતિકશાસ્ત્રની જરૂર હોય તેવા પુરાવા સાથે જાહેર આરોગ્યના દાવાઓને સમર્થન આપવાની ક્ષમતા

વાયુ પ્રદૂષણ અદ્રશ્ય છે પરંતુ જીવલેણ છે: તે દર વર્ષે લાખો અકાળ મૃત્યુનું કારણ બને છે અને આબોહવા પરિવર્તન સાથે સંકળાયેલું છે. સંસ્થાઓ તેમના પોતાના સ્ટેક ઉત્સર્જન અને તેમની આસપાસની હવાની ગુણવત્તા બંને માટે જવાબદાર છે. આ એકમમાં, તમે હવાની ગુણવત્તાના પરિમાણો, માપન અને મોડેલિંગ પદ્ધતિઓ, AI સાથેની આગાહી અને આ બધાની મર્યાદાઓ શીખી શકશો.

પ્રથમ ખ્યાલો. હવાની ગુણવત્તા સામાન્ય રીતે કેટલાક મુખ્ય પ્રદૂષકો પર માપવામાં આવે છે: PM2.5 અને PM10 (2.5 અને 10 માઇક્રોન કરતાં નાના રજકણ - શ્વાસ લેવા યોગ્ય ધૂળ), NO₂ (નાઇટ્રોજન ડાયોક્સાઇડ - દહનમાંથી), SO₂ (સલ્ફર ડાયોક્સાઇડ), O₃ (ગ્રાઉન્ડ લેવલ ઓઝોન), અને કાર. AQI (એર ક્વોલિટી ઇન્ડેક્સ) એ ઇન્ડેક્સ છે જે આ પ્રદૂષકોને એક રંગીન/નંબરવાળા સ્કેલ (સારા-ખતરનાક)માં રૂપાંતરિત કરે છે જે લોકો સમજી શકે છે. ઉત્સર્જન એ સ્ત્રોતમાંથી છોડવામાં આવતી રકમ છે, જ્યારે સાંદ્રતા એ હવામાં એકાગ્રતા છે; બંનેને ગૂંચવવામાં ન આવે તે મહત્વપૂર્ણ છે.

સંકેત: ઉત્સર્જન (સ્રોતમાંથી) અને એકાગ્રતા (હવામાં માપવામાં આવે છે) બે અલગ વસ્તુઓ છે. પવન, તાપમાન અને ટોપોગ્રાફી સમાન ઉત્સર્જનનું કારણ બને છે જે ખૂબ જ અલગ સાંદ્રતામાં પરિણમે છે. "ચીમનીમાંથી બહાર નીકળવાનું ઓછું છે" એમ કહેવાનો અર્થ એ નથી કે "નજીકની હવા સ્વચ્છ છે".

મોડેલિંગ: ઉત્સર્જનથી એકાગ્રતા સુધી

ચીમનીમાંથી બહાર આવતા પ્રદૂષકની સાંદ્રતા નજીકના પડોશમાં પહોંચશે તેની ગણતરી કરવી એ વિખેરાઈ મોડેલિંગની બાબત છે. આ મોડેલો હવામાનશાસ્ત્ર (પવનની દિશા/ગતિ, વાતાવરણીય સ્થિરતા) અને ટોપોગ્રાફીનો ઉપયોગ કરે છે. ક્લાસિકલ મોડલ્સ (દા.ત. ગૌસિયન ડિસ્ટ્રિબ્યુશન મોડલ) ભૌતિકશાસ્ત્ર આધારિત છે; AI નો ઉપયોગ આ મોડલ્સને વેગ આપવા, આઉટપુટનું અર્થઘટન કરવા અને મોટા માપન ડેટા સેટ્સમાંથી પેટર્ન કાઢવા માટે થાય છે - પરંતુ ભૌતિકશાસ્ત્રને AI માં ફીટ કરવું જોખમી છે.

આગાહી: આવતીકાલના હવામાનની આગાહી

AI નું સૌથી મજબૂત ક્ષેત્ર આગાહી છે: ઐતિહાસિક માપન, હવામાનશાસ્ત્ર અને ટ્રાફિક ડેટાનો ઉપયોગ કરીને આવતીકાલે અથવા થોડા કલાકો પછી પ્રદૂષક સ્તરની આગાહી કરતા મોડેલ્સનું નિર્માણ. આ જાહેર આરોગ્ય ચેતવણીઓ અને સાવચેતી (દા.ત. ટ્રાફિક પ્રતિબંધ) માટે મૂલ્યવાન છે. પરંતુ દરેક અનુમાનમાં અનિશ્ચિતતા હોય છે, અને મોડલ જ્યારે તેને પ્રશિક્ષિત કરવામાં આવી હતી તે પરિસ્થિતિઓની બહાર આવે ત્યારે તે ખોટું હશે (ઉદાહરણ તરીકે, અણધારી આગ).

પગલું દ્વારા પગલું: હવાની ગુણવત્તા વિશ્લેષણ

1. પ્રશ્ન અને પરિમાણ પસંદ કરો. કયું પ્રદૂષક, કયું સ્થાન, કયા સમયગાળા માટે?

2. ડેટા સ્ત્રોત ચકાસો. સંદર્ભ સ્ટેશન અથવા ઓછા ખર્ચે સેન્સર? કેલિબર?

3. પૂર્વ પ્રક્રિયા. ગુમ થયેલ ડેટા, સેન્સર ડ્રિફ્ટ, એક્સ્ટ્રીમ આઉટલાયર્સ સાફ કરો.

4. AQI માં કન્વર્ટ કરો અને થ્રેશોલ્ડ સાથે સરખામણી કરો. શું કાનૂની મર્યાદા ઓળંગાઈ ગઈ છે?

5. મોડલ/અનુમાન. વલણ, મોસમ, ભાવિ પ્રક્ષેપણ.

6. અનિશ્ચિતતાની જાણ કરો. હંમેશા આત્મવિશ્વાસના અંતરાલ અને મોડલ મર્યાદાઓ સાથે અંદાજો રજૂ કરો.

ત્રણ નાના કેસો

કેસ 1 - ઉત્સર્જન-એકાગ્રતા મૂંઝવણ. એક સુવિધા જાહેર કરવા માંગતી હતી કે તેણે તેના સ્ટેક ઉત્સર્જનમાં 20% ઘટાડો કર્યો છે અને તેથી "પડોશની હવા 20% સ્વચ્છ છે". નિષ્ણાતે દર્શાવ્યું હતું કે તે સમયે પવનની દિશા બદલાઈ હતી અને એકાગ્રતા વાસ્તવમાં હવામાનશાસ્ત્ર દ્વારા અસરગ્રસ્ત હતી; ઉત્સર્જનમાં ઘટાડો વાસ્તવિક હતો, પરંતુ એકાગ્રતાનો દાવો બિનસત્તાવાર હતો. નિવેદન "અમે 20% દ્વારા સ્ટેક ઉત્સર્જન ઘટાડ્યું" પૂરતું મર્યાદિત હતું; પુરાવા વિના હવાઈ દાવો દૂર કર્યો.

કેસ 2 - સેન્સર કેલિબ્રેશન. એક શાળાને ઓછી કિંમતના સેન્સર સાથે "ખતરનાક PM2.5" ચેતવણી મળી. જ્યારે નિષ્ણાતે નજીકના સંદર્ભ સ્ટેશન સાથે સેન્સરની તુલના કરી, ત્યારે તેણે જોયું કે મૂલ્ય ઊંચા ભેજ પર ફૂલેલું હતું; ભેજ સુધારણા પછી, મૂલ્ય "મધ્યમ" સ્તરે ઘટ્યું. અનકેલિબ્રેટેડ સેન્સર ગભરાટનું કારણ બની શકે છે. (આ ફરી એકવાર બતાવે છે કે દરેક માપન ક્ષેત્રમાં સેન્સર કેલિબ્રેશન કેટલું મહત્વપૂર્ણ છે.)

કેસ 3 - આગાહીની અનિશ્ચિતતા. નગરપાલિકાએ તેના AI આગાહી મોડલ સાથે બીજા દિવસે "ઉચ્ચ પ્રદૂષણ" ની ચેતવણી આપી હતી, પરંતુ એક અણધારી રેતીના તોફાને આગાહીને નિષ્ફળ બનાવી દીધી હતી. ટીમે અગાઉ અહેવાલ આપ્યો હતો કે મોડેલ "બિન-તાલીમ ડેટા ઇવેન્ટ્સ માટે અવિશ્વસનીય" હતું; તેથી ચેતવણી "શક્ય" તરીકે રજૂ કરવામાં આવી હતી અને આત્મવિશ્વાસની કોઈ ખોટ નહોતી. અનિશ્ચિતતાને સ્પષ્ટ કરવી એ આગાહીનો જવાબદાર ઉપયોગ છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ હવામાન ડેટા સાથે આવતીકાલની આગાહી કરો.

તે કેમ નબળું છે: પરિમાણો, સ્થાન, ડેટા ગુણવત્તા, મોડેલ પ્રકાર અને અનિશ્ચિતતા માટે કોઈ માંગ નથી. આઉટપુટ સિંગલ નંબર હશે, તેની વિશ્વસનીયતા અજાણ છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: હવા ગુણવત્તા ડેટા વૈજ્ઞાનિક. નીચેના PM2.5 કલાકના ડેટા અને હવામાનશાસ્ત્ર (પવન, ભેજ, તાપમાન) સાથે, આગામી 24 કલાક માટે પાયથોનમાં એક સરળ આગાહી મોડલ (દા.ત. ગ્રેડિયન્ટ બૂસ્ટિંગ) સેટ કરો. પગલાં: (1) ડેટા ક્લિનિંગ અને સેન્સર ડ્રિફ્ટ કંટ્રોલ, (2) ફીચરની તૈયારી, (3) મોડલ, (4) આત્મવિશ્વાસ અંતરાલ સાથે અનુમાનો આપો. મોડેલની મર્યાદાઓ સ્પષ્ટપણે જણાવો (બિન-શૈક્ષણિક પરિસ્થિતિઓમાં અવિશ્વસનીયતા). ડેટા: [અહીં]

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) એર ડેટા ક્લિનિંગ + AQI:

પાયથોન (અંડરશૂટ, સ્ટક, ડ્રિફ્ટ, ઓવરશૂટ) વડે નીચેના હવા ગુણવત્તા માપને સાફ કરો અને તેમને પ્રમાણભૂત AQI માં કન્વર્ટ કરો. તમે કયા AQI ફોર્મ્યુલાનો ઉપયોગ કરો છો તેનો ઉલ્લેખ કરો; ફિટિંગ કાનૂની મર્યાદાને ઓળંગતા કલાકોને ચિહ્નિત કરો. ડેટા: [અહીં]

2) ઉત્સર્જન વિ એકાગ્રતા તફાવત:

નીચેના દાવાને તપાસો: શું તે ઉત્સર્જન (સ્રોતમાંથી) અથવા એકાગ્રતા (હવામાં માપવામાં) વિશે છે? એવા ભાગોને પ્રકાશિત કરો કે જે બેને મૂંઝવણમાં મૂકે છે અથવા હવામાનશાસ્ત્રની અવગણના કરે છે અને પુરાવાના આધારે માપવામાં આવેલ પુનઃપ્રાપ્તિ સૂચવે છે. દાવો: [અહીં]

3) અનુમાન મોડેલ (અનિશ્ચિતતા સાથે):

તમારી ભૂમિકા: ડેટા વૈજ્ઞાનિક. નીચેની સમય શ્રેણી સાથે [પ્રદૂષક] માટે ટૂંકા ગાળાના અનુમાન મોડેલ (પાયથોન) બનાવો. દરેક અનુમાન તેના આત્મવિશ્વાસ અંતરાલ સાથે આપો. સ્પષ્ટપણે લખો કે કઈ પરિસ્થિતિઓમાં (બિન-તાલીમ ઘટના, આત્યંતિક હવામાન) મોડેલ અવિશ્વસનીય હશે. વધુ પડતો આશાવાદી સત્ય દાવો FAKE. ડેટા: [અહીં]

4) સંસાધન યોગદાન સારાંશ:

નીચે આપેલા હવાની ગુણવત્તા અને પવનના ડેટામાંથી, સંભવિત સ્ત્રોતની દિશા વિશે સંકેત આપવા માટે ઉચ્ચ પ્રદૂષણના કલાકો દરમિયાન પવન કઈ દિશામાંથી આવી રહ્યો છે તેનું વિશ્લેષણ કરો. "આ સ્ત્રોત છે" એમ ન બોલો; ઓફર સંભાવના અને ચકાસણી. ડેટા: [અહીં]

સામાન્ય ભૂલો

• એકાગ્રતા સાથે ગૂંચવણભર્યું ઉત્સર્જન. ચીમનીમાં ઘટાડો એ હવામાં સ્વચ્છતાનો અર્થ નથી.
• અનકેલિબ્રેટેડ સેન્સર પર આધાર રાખવો. ભેજ અને ડ્રિફ્ટ મૂલ્યોમાં વધારો કરે છે.
• અનિશ્ચિતતા વિના અંદાજ રજૂ કરી રહ્યા છીએ. દરેક અંદાજ આત્મવિશ્વાસ અંતરાલ સાથે આપવો જોઈએ.
• AI સાથે ભૌતિકશાસ્ત્રને યોગ્ય બનાવવું. વિતરણ મોડેલને ભૌતિકશાસ્ત્રની જરૂર છે; એલએલએમની "અનુમાન" ભૌતિકશાસ્ત્ર નથી.
• કાનૂની થ્રેશોલ્ડ યાદ રાખવું. કાયદામાંથી મર્યાદા મૂલ્યો લો.

સાવધાન: હવાની ગુણવત્તાના દાવાઓ જાહેર આરોગ્યની ચિંતા કરે છે. ખોટો "સ્વચ્છ" દાવો લોકોને જોખમમાં મૂકે છે; એક નિરાધાર "ગંદા" એલાર્મ બિનજરૂરી ગભરાટ અને આર્થિક નુકસાન બનાવે છે. માપાંકિત ડેટા, યોગ્ય મોડેલ અને સ્પષ્ટ અનિશ્ચિતતા સાથે દરેક દાવાને સમર્થન આપો.

સારાંશમાં

હવાની ગુણવત્તા; તેને એકાગ્રતામાંથી ઉત્સર્જનને અલગ કરવું, માપાંકન માપન, યોગ્ય મોડેલિંગ અને અનિશ્ચિતતા સાથે પ્રસ્તુત આગાહીની જરૂર છે. AI; તે ડેટા સફાઈ, પેટર્ન નિષ્કર્ષણ અને ટૂંકા ગાળાની આગાહીમાં શક્તિશાળી છે. પરંતુ ભૌતિકશાસ્ત્ર-આધારિત વિતરણ, સેન્સર માપાંકન, કાનૂની થ્રેશોલ્ડ અને અનિશ્ચિતતાની પ્રમાણિક રિપોર્ટિંગ નિષ્ણાતની છે. ચીમની પરનો નંબર પડોશની હવા જેટલો જ નથી.

એપ્લિકેશન કાર્ય

સ્થાન માટે અનુમાનિત કલાકદીઠ PM2.5 અને હવામાન સંબંધી ડેટા તૈયાર કરો. 1લા નમૂના સાથે, AI ને ડેટા સાફ કરો, તેને AQI માં રૂપાંતરિત કરો અને થ્રેશોલ્ડ ઓળંગીને માર્ક કરો. પછી 3જી નમૂના સાથે ટૂંકા ગાળાની આગાહીનું મોડેલ બનાવો અને ખાતરી કરો કે દરેક આગાહી વિશ્વાસ અંતરાલ સાથે આવે છે. છેલ્લે, ટેમ્પલેટ 2 સાથે ઉત્સર્જન/એકાગ્રતા માટે તમારા હવાની ગુણવત્તાના દાવાને ઓડિટ કરાવો.

ચેકલિસ્ટ

• [ ] મેં ઉત્સર્જન અને એકાગ્રતા વચ્ચેનો તફાવત યોગ્ય રીતે કર્યો.
• [ ] મેં કેલિબ્રેશન અને ડ્રિફ્ટ માટે સેન્સર ડેટા તપાસ્યો.
• [ ] મને સાચા સૂત્ર/ કાયદામાંથી AQI અને થ્રેશોલ્ડ મળ્યાં છે.
• [ ] મેં વિશ્વાસ અંતરાલ અને મોડલ મર્યાદા સાથે અંદાજો રજૂ કર્યા.
• [ ] મારી પાસે AI એ ભાગોને અનુકૂલિત કરતું નહોતું જે વિતરણ/ભૌતિકશાસ્ત્રની જરૂર હોય.
• [ ] મેં પુરાવા સાથે જાહેર આરોગ્યના દાવાઓને સમર્થન આપ્યું છે.