लाभ:
- उत्सर्जन (स्रोत से) और एकाग्रता (हवा में मापा गया) के बीच अंतर करने और कैलिब्रेटेड डेटा को AQI में परिवर्तित करने और थ्रेसहोल्ड के साथ तुलना करने की क्षमता
- एक अल्पकालिक प्रदूषण भविष्यवाणी मॉडल बनाने और प्रत्येक भविष्यवाणी को विश्वास अंतराल और मॉडल सीमाओं के साथ ईमानदारी से प्रस्तुत करने की क्षमता
- वितरण/भौतिकी की आवश्यकता वाले भागों को अनुकूलित करने के लिए कृत्रिम बुद्धिमत्ता के बिना साक्ष्य के साथ सार्वजनिक स्वास्थ्य दावों का समर्थन करने की क्षमता
वायु प्रदूषण अदृश्य लेकिन घातक है: यह हर साल लाखों लोगों की असामयिक मृत्यु का कारण बनता है और जलवायु परिवर्तन के साथ जुड़ा हुआ है। संस्थान अपने स्वयं के स्टैक उत्सर्जन और उनके आसपास की वायु गुणवत्ता दोनों के लिए जिम्मेदार हैं। इस इकाई में, आप वायु गुणवत्ता पैरामीटर, माप और मॉडलिंग के तरीके, एआई के साथ भविष्यवाणी और इन सभी की सीमाएं सीखेंगे।
पहले अवधारणाएँ. हवा की गुणवत्ता आम तौर पर कई प्रमुख प्रदूषकों पर मापी जाती है: PM2.5 और PM10 (2.5 और 10 माइक्रोन से छोटे कण - श्वसन योग्य धूल), NO₂ (नाइट्रोजन डाइऑक्साइड - दहन से), SO₂ (सल्फर डाइऑक्साइड), O₃ (जमीनी स्तर ओजोन), और CO (कार्बन मोनोऑक्साइड)। AQI (वायु गुणवत्ता सूचकांक) वह सूचकांक है जो इन प्रदूषकों को एक रंगीन/संख्यांकित पैमाने (अच्छे-खतरनाक) में परिवर्तित करता है जिसे जनता समझ सकती है। उत्सर्जन स्रोत से जारी मात्रा है, जबकि एकाग्रता हवा में एकाग्रता है; यह महत्वपूर्ण है कि दोनों को भ्रमित न किया जाए।
संकेत: उत्सर्जन (स्रोत से) और एकाग्रता (हवा में मापा गया) दो अलग चीजें हैं। हवा, तापमान और स्थलाकृति के कारण समान उत्सर्जन के परिणामस्वरूप बहुत भिन्न सांद्रताएँ उत्पन्न होती हैं। "चिमनी से कम पानी निकल रहा है" कहने का मतलब यह नहीं है कि "आस-पास की हवा साफ है"।
मॉडलिंग: उत्सर्जन से एकाग्रता तक
चिमनी से निकलने वाले प्रदूषक की सांद्रता की गणना पास के पड़ोस तक पहुंच जाएगी, यह फैलाव मॉडलिंग का मामला है। ये मॉडल मौसम विज्ञान (हवा की दिशा/गति, वायुमंडलीय स्थिरता) और स्थलाकृति का उपयोग करते हैं। शास्त्रीय मॉडल (जैसे गाऊसी वितरण मॉडल) भौतिकी-आधारित हैं; एआई का उपयोग इन मॉडलों को गति देने, आउटपुट की व्याख्या करने और बड़े माप डेटा सेट से पैटर्न निकालने के लिए किया जाता है - लेकिन भौतिकी को एआई में "फिट" करना खतरनाक है।
पूर्वानुमान: कल के मौसम की भविष्यवाणी करना
एआई का सबसे मजबूत क्षेत्र पूर्वानुमान लगाना है: ऐसे मॉडल बनाना जो ऐतिहासिक माप, मौसम विज्ञान और यातायात डेटा का उपयोग करके कल या कुछ घंटों बाद प्रदूषक स्तर की भविष्यवाणी करते हैं। यह सार्वजनिक स्वास्थ्य चेतावनियों और एहतियात (जैसे यातायात प्रतिबंध) के लिए मूल्यवान है। लेकिन हर भविष्यवाणी में अनिश्चितता होती है, और मॉडल तब गलत होगा जब यह उन परिस्थितियों से बाहर हो जाएगा जिन पर इसे प्रशिक्षित किया गया था (उदाहरण के लिए, एक अप्रत्याशित आग)।
चरण दर चरण: वायु गुणवत्ता विश्लेषण
1. प्रश्न और पैरामीटर का चयन करें. कौन सा प्रदूषक, कौन सा स्थान, किस अवधि के लिए?
2. डेटा स्रोत सत्यापित करें. संदर्भ स्टेशन या कम लागत वाला सेंसर? कैलिबर?
3. पूर्व प्रक्रिया. गुम डेटा, सेंसर ड्रिफ्ट, अत्यधिक आउटलेर्स को साफ़ करें।
4. AQI में कनवर्ट करें और थ्रेसहोल्ड से तुलना करें। क्या कानूनी सीमा पार हो गई है?
5. मॉडल/भविष्यवाणी. प्रवृत्ति, मौसमी, भविष्य का प्रक्षेपण।
6. अनिश्चितता की रिपोर्ट करें. हमेशा विश्वास अंतराल और मॉडल सीमाओं के साथ अनुमान प्रस्तुत करें।
तीन मिनी मामले
केस 1 - उत्सर्जन-एकाग्रता भ्रम। एक सुविधा यह घोषणा करना चाहती थी कि उसने अपने स्टैक उत्सर्जन को 20% तक कम कर दिया है और इसलिए "पड़ोस की हवा 20% स्वच्छ है"। विशेषज्ञ ने दिखाया कि उस समय हवा की दिशा बदल गई थी और सांद्रता वास्तव में मौसम विज्ञान से प्रभावित थी; उत्सर्जन में कमी वास्तविक थी, लेकिन एकाग्रता का दावा निराधार था। यह कथन "हमने स्टैक उत्सर्जन को 20% तक कम कर दिया" तक सीमित था; बिना सबूत के हवाई दावा हटाया गया.
केस 2 - सेंसर अंशांकन। एक स्कूल को कम लागत वाले सेंसर के साथ "खतरनाक PM2.5" अलर्ट प्राप्त हुआ। जब विशेषज्ञ ने सेंसर की तुलना पास के संदर्भ स्टेशन से की, तो उसने पाया कि उच्च आर्द्रता पर मूल्य बढ़ गया था; आर्द्रता सुधार के बाद, मान घटकर "मध्यम" स्तर पर आ गया। एक अनकैलिब्रेटेड सेंसर घबराहट पैदा कर सकता है। (यह एक बार फिर दिखाता है कि प्रत्येक माप क्षेत्र में सेंसर अंशांकन कितना महत्वपूर्ण है।)
केस 3 - पूर्वानुमान अनिश्चितता। एक नगर पालिका ने अपने एआई पूर्वानुमान मॉडल के साथ अगले दिन "उच्च प्रदूषण" की चेतावनी दी, लेकिन एक अप्रत्याशित रेतीले तूफ़ान ने पूर्वानुमान को विफल कर दिया। टीम ने पहले बताया था कि मॉडल "गैर-प्रशिक्षण डेटा घटनाओं के लिए अविश्वसनीय" था; इसलिए चेतावनी को "संभव" के रूप में प्रस्तुत किया गया और विश्वास की कोई हानि नहीं हुई। अनिश्चितता को स्पष्ट करना भविष्यवाणी का जिम्मेदार उपयोग है।
कमजोर संकेत/मजबूत संकेत
कमजोर संकेत:
इस मौसम डेटा के साथ कल की भविष्यवाणी करें।
यह कमज़ोर क्यों है: पैरामीटर, स्थान, डेटा गुणवत्ता, मॉडल प्रकार और अनिश्चितता की कोई मांग नहीं। आउटपुट एक एकल संख्या होगी, इसकी विश्वसनीयता अज्ञात है।
शक्तिशाली संकेत:
आपकी भूमिका: वायु गुणवत्ता डेटा वैज्ञानिक। निम्नलिखित PM2.5 प्रति घंटा डेटा और मौसम विज्ञान (हवा, आर्द्रता, तापमान) के साथ, अगले 24 घंटों के लिए पायथन में एक सरल पूर्वानुमान मॉडल (जैसे ग्रेडिएंट बूस्टिंग) सेट करें। चरण: (1) डेटा सफाई और सेंसर ड्रिफ्ट नियंत्रण, (2) फीचर तैयारी, (3) मॉडल, (4) आत्मविश्वास अंतराल के साथ भविष्यवाणियां करें। मॉडल की सीमाएं (गैर-शैक्षणिक स्थितियों में अविश्वसनीयता) स्पष्ट रूप से बताएं। डेटा: [यहाँ]
चार प्रतिलिपि योग्य टेम्पलेट
1) वायु डेटा सफ़ाई + AQI:
निम्नलिखित वायु गुणवत्ता मापों को पायथन (अंडरशूट, स्टिक, ड्रिफ्ट, ओवरशूट) से साफ़ करें और उन्हें मानक AQI में परिवर्तित करें। निर्दिष्ट करें कि आप किस AQI सूत्र का उपयोग करते हैं; फिटिंग. उन घंटों को चिह्नित करें जो कानूनी सीमा से अधिक हैं। डेटा: [यहाँ]
2) उत्सर्जन बनाम एकाग्रता भेद:
निम्नलिखित दावे की जाँच करें: क्या यह उत्सर्जन (स्रोत से) या एकाग्रता (हवा में मापा गया) के बारे में है? उन हिस्सों को हाइलाइट करें जो दोनों को भ्रमित करते हैं या मौसम विज्ञान को नजरअंदाज करते हैं और साक्ष्य के आधार पर एक मापा पुनर्कथन का सुझाव देते हैं। दावा: [यहाँ]
3) भविष्यवाणी मॉडल (अनिश्चितता के साथ):
आपकी भूमिका: डेटा वैज्ञानिक। निम्नलिखित समय श्रृंखला के साथ [प्रदूषक] के लिए एक अल्पकालिक पूर्वानुमान मॉडल (पायथन) बनाएं। प्रत्येक भविष्यवाणी को उसके विश्वास अंतराल के साथ दें। स्पष्ट रूप से लिखें कि किन परिस्थितियों में (गैर-प्रशिक्षण घटना, अत्यधिक मौसम) मॉडल अविश्वसनीय होगा। अति आशावादी सत्य दावा नकली.डेटा: [यहाँ]
4) संसाधन योगदान सारांश:
नीचे दिए गए वायु गुणवत्ता और हवा के आंकड़ों से विश्लेषण करें कि संभावित स्रोत दिशा के बारे में सुराग देने के लिए उच्च प्रदूषण के घंटों के दौरान हवा किस दिशा से आ रही है। सीधे-सीधे यह मत कहो कि "यह स्रोत है"; संभाव्यता और सत्यापन प्रदान करें। डेटा: [यहाँ]
सामान्य गलतियाँ
- एकाग्रता के साथ उत्सर्जन को भ्रमित करना। चिमनी में कमी का मतलब हवा में सफाई नहीं है।
- एक अनकैलिब्रेटेड सेंसर पर भरोसा करना। नमी और बहाव मूल्यों को बढ़ाते हैं।
- बिना किसी अनिश्चितता के अनुमान प्रस्तुत कर रहा हूँ. प्रत्येक अनुमान एक विश्वास अंतराल के साथ दिया जाना चाहिए।
- एआई के साथ भौतिकी को फिट बनाना। वितरण मॉडल के लिए भौतिकी की आवश्यकता होती है; एलएलएम की "भविष्यवाणी" भौतिकी नहीं है।
- कानूनी सीमाएं याद रखना. विधान से सीमा मान लें।
सावधानी: वायु गुणवत्ता के दावे सार्वजनिक स्वास्थ्य से संबंधित हैं। एक झूठा "स्वच्छ" दावा लोगों को जोखिम में डालता है; एक निराधार "गंदा" अलार्म अनावश्यक घबराहट और आर्थिक क्षति पैदा करता है। कैलिब्रेटेड डेटा, उपयुक्त मॉडल और स्पष्ट अनिश्चितता के साथ प्रत्येक दावे का समर्थन करें।
संक्षेप में
वायु गुणवत्ता; इसमें उत्सर्जन को सांद्रता से अलग करना, माप को अंशांकित करना, उपयुक्त मॉडलिंग और अनिश्चितता के साथ प्रस्तुत भविष्यवाणी की आवश्यकता होती है। ऐ; यह डेटा सफाई, पैटर्न निष्कर्षण और अल्पकालिक पूर्वानुमान में शक्तिशाली है। लेकिन भौतिकी-आधारित वितरण, सेंसर अंशांकन, कानूनी सीमाएं और अनिश्चितता की ईमानदार रिपोर्टिंग विशेषज्ञ की है। चिमनी पर संख्या पड़ोस की हवा के समान नहीं है।
आवेदन कार्य
किसी स्थान के लिए प्रति घंटा काल्पनिक PM2.5 और मौसम संबंधी डेटा तैयार करें। पहले टेम्प्लेट के साथ, AI से डेटा साफ़ करें, इसे AQI में बदलें, और सीमा से अधिक को चिह्नित करें। फिर तीसरे टेम्पलेट के साथ एक अल्पकालिक पूर्वानुमान मॉडल बनाएं और सुनिश्चित करें कि प्रत्येक पूर्वानुमान एक विश्वास अंतराल के साथ आता है। अंत में, टेम्पलेट 2 के साथ उत्सर्जन/सांद्रण के लिए अपने वायु गुणवत्ता दावे का ऑडिट करवाएं।
चेकलिस्ट
- [ ] मैंने उत्सर्जन और एकाग्रता के बीच अंतर सही ढंग से किया है।
- [ ] मैंने अंशांकन और बहाव के लिए सेंसर डेटा की जाँच की।
- [ ] मुझे AQI और सीमाएँ सही सूत्र/विधान से मिलीं।
- [ ] मैंने आत्मविश्वास अंतराल और मॉडल सीमा के साथ अनुमान प्रस्तुत किए।
- [ ] मेरे पास एआई उन हिस्सों को अनुकूलित करने में सक्षम नहीं था जिनके लिए वितरण/भौतिकी की आवश्यकता थी।
- [ ] मैंने सबूतों के साथ सार्वजनिक स्वास्थ्य दावों का समर्थन किया।