Dobici:
- Sposobnost razlikovanja između emisija (iz izvora) i koncentracije (mjerene u zraku) te pretvaranje kalibriranih podataka u AQI i usporedbu s pragovima
- Sposobnost izrade kratkoročnog modela predviđanja onečišćenja i poštenog predstavljanja svakog predviđanja s intervalima pouzdanosti i ograničenjima modela
- Sposobnost da se tvrdnje o javnom zdravlju potkrijepe dokazima bez potrebe za prilagodbom dijelova umjetne inteligencije koji zahtijevaju distribuciju/fiziku
Onečišćenje zraka je nevidljivo, ali smrtonosno: svake godine uzrokuje milijune prijevremenih smrti i isprepleteno je s klimatskim promjenama. Institucije su odgovorne i za vlastite emisije iz dimnjaka i za kvalitetu zraka oko sebe. U ovoj ćete jedinici naučiti parametre kvalitete zraka, metode mjerenja i modeliranja, predviđanja pomoću umjetne inteligencije i ograničenja svega toga.
Prvo pojmovi. Kvaliteta zraka općenito se mjeri na nekoliko glavnih onečišćivača: PM2,5 i PM10 (čestice manje od 2,5 i 10 mikrona — prašina koja se može udisati), NO₂ (dušikov dioksid — od izgaranja), SO₂ (sumporov dioksid), O3 (prizemni ozon) i CO (ugljikov monoksid). AQI (indeks kvalitete zraka) je indeks koji pretvara te zagađivače u jednu obojenu/numeriziranu ljestvicu (dobro-opasno) koju javnost može razumjeti. Emisija je količina ispuštena iz izvora, dok je koncentracija koncentracija u zraku; Ključno je ne brkati to dvoje.
Savjet: Emisija (iz izvora) i koncentracija (mjerena u zraku) dvije su različite stvari. Vjetar, temperatura i topografija uzrokuju da ista emisija rezultira vrlo različitim koncentracijama. Reći da "manje izlazi iz dimnjaka" ne znači da je "zrak u blizini čist".
Modeliranje: od emisije do koncentracije
Izračun koncentracije zagađivača koji izlazi iz dimnjaka i koji će doći do obližnjeg susjedstva stvar je modeliranja disperzije. Ovi modeli koriste meteorologiju (smjer/brzina vjetra, stabilnost atmosfere) i topografiju. Klasični modeli (npr. model Gaussove distribucije) temeljeni su na fizici; AI se koristi za ubrzavanje ovih modela, tumačenje rezultata i izdvajanje uzoraka iz velikih skupova mjernih podataka - ali opasno je "natjerati" fiziku da stane u AI.
Prognoza: predviđanje sutrašnjeg vremena
Najjače polje umjetne inteligencije je predviđanje: izrada modela koji predviđaju razine zagađivača sutra ili nekoliko sati kasnije, koristeći povijesna mjerenja, meteorološke i prometne podatke. Ovo je vrijedno za javnozdravstvena upozorenja i mjere opreza (npr. ograničenje prometa). Ali svako predviđanje ima neizvjesnost, a model će biti pogrešan kada padne izvan uvjeta na kojima je treniran (na primjer, neočekivani požar).
Korak po korak: analiza kvalitete zraka
1. Odaberite pitanje i parametar. Koji zagađivač, koja lokacija, u kojem trajanju?
2. Provjerite izvor podataka. Referentna stanica ili jeftini senzor? Kalibar?
3. Predproces. Očistite podatke koji nedostaju, pomak senzora, ekstremne odstupanja.
4. Pretvorite u AQI i usporedite s pragom. Je li prekoračena zakonska granica?
5. Modelirajte/predvidite. Trend, sezonalnost, projekcija budućnosti.
6. Izvijestite o nesigurnosti. Uvijek predstavite procjene s intervalima pouzdanosti i granicama modela.
tri mini kućišta
Slučaj 1 — Zabuna koncentracije emisije. Jedna je ustanova htjela objaviti da je smanjila svoje emisije iz dimnjaka za 20% i stoga je "zrak u susjedstvu bio 20% čišći". Stručnjak je pokazao da se smjer vjetra promijenio u to vrijeme, a na koncentraciju je zapravo utjecala meteorologija; Smanjenje emisije bilo je stvarno, ali tvrdnja o koncentraciji nije bila potkrijepljena. Izjava je bila ograničena na "smanjili smo emisije iz dimnjaka za 20%"; Zračni zahtjev bez uklonjenih dokaza.
Slučaj 2 — Kalibracija senzora. Škola je primila upozorenje o "opasnom PM2.5" s jeftinim senzorom. Kada je stručnjak usporedio senzor s obližnjom referentnom stanicom, ustanovio je da je vrijednost bila prenapuhana pri visokoj vlažnosti; Nakon korekcije vlažnosti, vrijednost se smanjila na "srednju" razinu. Nekalibrirani senzor mogao bi izazvati paniku. (Ovo još jednom pokazuje koliko je kalibracija senzora kritična u svakom području mjerenja.)
Slučaj 3 — Nesigurnost prognoze. Općina je sljedeći dan upozorila na "veliko zagađenje" sa svojim AI modelom prognoze, ali je neočekivana pješčana oluja pokvarila prognozu. Tim je prethodno izvijestio da je model "nepouzdan za događaje podataka koji nisu vezani za obuku"; stoga je upozorenje predstavljeno kao "moguće" i nije došlo do gubitka povjerenja. Razjašnjavanje neizvjesnosti je odgovorna upotreba predviđanja.
Slab upit / Jak upit
Slab upit:
Predvidite sutra s ovim vremenskim podacima.
Zašto je slab: Nema zahtjeva za parametrima, lokacijom, kvalitetom podataka, vrstom modela i nesigurnošću. Izlaz bi bio jedan broj, čija pouzdanost nije poznata.
Snažan upit:
Vaša uloga: stručnjak za podatke o kvaliteti zraka. Sa sljedećim podacima o PM2.5 po satu i meteorologijom (vjetar, vlaga, temperatura), postavite jednostavan model prognoze (npr. povećanje gradijenta) u Pythonu za sljedeća 24 sata. Koraci: (1) čišćenje podataka i kontrola pomaka senzora, (2) priprema značajki, (3) model, (4) davanje predviđanja s intervalom pouzdanosti. Jasno navedite ograničenja modela (nepouzdanost u neobrazovnim situacijama). Podaci: [ovdje]
Četiri predloška za kopiranje
1) Čišćenje podataka o zraku + AQI:
Očistite sljedeća mjerenja kvalitete zraka pomoću Pythona (podbacivanje, zaglavljenje, zanošenje, prekoračenje) i pretvorite ih u standardni AQI. Navedite koju AQI formulu koristite; pristajanje. Označite sate koji premašuju zakonski prag. Podaci: [ovdje]
2) Razlika između emisije i koncentracije:
Provjerite sljedeću tvrdnju: radi li se o emisiji (iz izvora) ili koncentraciji (mjerenoj u zraku)? Istaknite dijelove koji brkaju to dvoje ili zanemaruju meteorologiju i predložite odmjerenu prepravku na temelju dokaza. Zahtjev: [ovdje]
3) Model predviđanja (s nesigurnošću):
Vaša uloga: podatkovni znanstvenik. Izradite model kratkoročne prognoze (Python) za [zagađivač] sa sljedećim vremenskim serijama. Navedite svako predviđanje s njegovim intervalom pouzdanosti. Jasno napišite pod kojim bi uvjetima (događaj bez treninga, ekstremni vremenski uvjeti) model bio nepouzdan. Pretjerano optimistična tvrdnja o istini FAKE.Podaci: [ovdje]
4) Sažetak doprinosa resursima:
Na temelju podataka o kvaliteti zraka i vjetru u nastavku analizirajte iz kojeg smjera vjetar dolazi tijekom sati s visokim zagađenjem kako biste dali naznaku o mogućem smjeru izvora. Nemojte izravno reći "ovo je izvor"; Vjerojatnost ponude i provjera. Podaci: [ovdje]
Uobičajene greške
- Brkanje emisije s koncentracijom. Smanjenje dimnjaka ne znači čistoću zraka.
- Oslanjanje na nekalibrirani senzor. Vlažnost i pomicanje povećavaju vrijednosti.
- Predstavljanje procjene bez neizvjesnosti. Svaku procjenu treba dati s intervalom pouzdanosti.
- Usklađivanje fizike s AI. Model distribucije zahtijeva fiziku; "Predviđanje" LLM-a nije fizika.
- Prisjećanje na zakonske pragove. Uzmite granične vrijednosti iz zakonodavstva.
Oprez: tvrdnje o kvaliteti zraka odnose se na javno zdravlje. Lažna "čista" tvrdnja dovodi ljude u opasnost; Neutemeljeni „prljavi“ alarm stvara nepotrebnu paniku i ekonomsku štetu. Potkrijepite svaku tvrdnju kalibriranim podacima, odgovarajućim modelom i jasnom nesigurnošću.
Ukratko
Kvaliteta zraka; Zahtijeva odvajanje emisije od koncentracije, kalibriranje mjerenja, odgovarajuće modeliranje i predviđanje predstavljeno s nesigurnošću. AI; Moćan je u čišćenju podataka, izdvajanju uzoraka i kratkoročnom predviđanju. Ali distribucija temeljena na fizici, kalibracija senzora, zakonski pragovi i iskreno izvješćivanje o nesigurnosti pripadaju stručnjaku. Broj na dimnjaku nije isto što i zrak u susjedstvu.
Zadatak aplikacije
Pripremite hipotetske satove PM2,5 i meteorološke podatke za lokaciju. S prvim predloškom neka AI očisti podatke, pretvori ih u AQI i označi prekoračenja pragova. Zatim izradite model kratkoročne prognoze s 3. predloškom i pobrinite se da svaka prognoza ima interval pouzdanosti. Konačno, dajte svoju tvrdnju o kvaliteti zraka na reviziju emisija/koncentracije pomoću predloška 2.
popis za provjeru
- [ ] Ispravno sam napravio razliku između emisije i koncentracije.
- [ ] Provjerio sam podatke senzora za kalibraciju i drift.
- [ ] Dobio sam AQI i pragove iz ispravne formule/zakona.
- [ ] Predstavio sam procjene s intervalom pouzdanosti i ograničenjem modela.
- [ ] Nisam dao AI prilagoditi dijelove koji su zahtijevali distribuciju/fiziku.
- [ ] Potkrijepio sam tvrdnje o javnom zdravlju dokazima.