Nyereség:
- Képes megkülönböztetni a kibocsátást (a forrásból) és a koncentrációt (levegőben mérve), és a kalibrált adatokat konvertálni AQI-re, és összehasonlítani azokat küszöbértékekkel
- Képesség rövid távú szennyezés-előrejelzési modell felépítésére, és minden előrejelzés őszinte bemutatására megbízhatósági intervallumokkal és modellhatárokkal
- Képes bizonyítékokkal alátámasztani a közegészségügyi állításokat anélkül, hogy mesterséges intelligencia adaptálná az elosztást/fizikát igénylő részeket
A légszennyezés láthatatlan, de halálos: minden évben milliók korai halálesetét okozza, és összefonódik a klímaváltozással. Az intézmények felelősek a saját kibocsátásukért és a körülöttük lévő levegő minőségéért. Ebben az egységben megismerheti a levegőminőségi paramétereket, a mérési és modellezési módszereket, a mesterséges intelligencia előrejelzését és mindezek határait.
Először a fogalmak. A levegő minőségét általában több fő szennyező anyagon mérik: PM2,5 és PM10 (2,5 és 10 mikronnál kisebb részecskék – belélegezhető por), NO₂ (égetésből származó nitrogén-dioxid), SO₂ (kén-dioxid), O₃ (talaj ózon) és CO (szén-monoxid). Az AQI (Air Quality Index) az az index, amely ezeket a szennyező anyagokat egyetlen színes/számozott skálává alakítja (jó-veszélyes), amelyet a közvélemény is megérthet. Az emisszió a forrásból kibocsátott mennyiség, míg a koncentráció a levegő koncentrációja; Nagyon fontos, hogy ne keverjük össze a kettőt.
Tipp: A kibocsátás (a forrásból) és a koncentráció (levegőben mérve) két különböző dolog. A szél, a hőmérséklet és a topográfia ugyanazt a kibocsátást okozza, és nagyon eltérő koncentrációkat eredményez. Az, hogy „kevesebb jön ki a kéményből”, nem jelenti azt, hogy „tiszta a levegő a közelben”.
Modellezés: a kibocsátástól a koncentrációig
A kéményből kilépő szennyezőanyag koncentrációjának kiszámítása a közeli környékre diszperziómodellezés kérdése. Ezek a modellek meteorológiát (szélirány/sebesség, légköri stabilitás) és domborzatot használnak. A klasszikus modellek (pl. Gauss-eloszlási modell) fizikai alapúak; A mesterséges intelligenciát arra használják, hogy felgyorsítsák ezeket a modelleket, értelmezzék a kimenetet, és mintákat vonjanak ki nagy mérési adathalmazokból – de veszélyes „beilleszteni” a fizikát az MI-be.
Előrejelzés: a holnapi időjárás előrejelzése
A mesterséges intelligencia legerősebb területe az előrejelzés: olyan modellek építése, amelyek holnap vagy néhány órával később előrejelzik a szennyezőanyag-szintet történelmi mérések, meteorológiai és forgalmi adatok felhasználásával. Ez értékes a közegészségügyi figyelmeztetések és óvintézkedések (pl. forgalomkorlátozás) szempontjából. De minden jóslatnak van bizonytalansága, és a modell hibás lesz, ha kívül esik azokon a feltételeken, amelyekre betanították (például egy váratlan tűz).
Lépésről lépésre: levegőminőség-elemzés
1. Válassza ki a kérdést és a paramétert. Melyik szennyező, melyik helyen, mennyi ideig?
2. Ellenőrizze az adatforrást. Referencia állomás vagy olcsó érzékelő? Kaliber?
3. Előfeldolgozás. Tisztítsa meg a hiányzó adatokat, az érzékelők eltolódását, a szélsőséges kiugró értékeket.
4. Alakítsa át AQI-re, és hasonlítsa össze a küszöbértékkel. Túllépték a törvényes határt?
5. Modell/jósol. Trend, szezonalitás, jövőkép.
6. Jelentse a bizonytalanságot. A becsléseket mindig konfidenciaintervallumokkal és modellhatárokkal kell bemutatni.
három mini tok
1. eset – A kibocsátás-koncentráció zavara. Az egyik létesítmény be akarta jelenteni, hogy 20%-kal csökkentette a kémény kibocsátását, és ezért "20%-kal tisztább volt a környék levegője". A szakember kimutatta, hogy ekkor változott a szélirány, és a koncentrációt valójában a meteorológia befolyásolta; A kibocsátáscsökkentés valós volt, de a koncentrációs állítás nem volt megalapozott. A kijelentés arra korlátozódott, hogy „20%-kal csökkentettük a stack kibocsátását”; A légi állítás bizonyíték nélkül eltávolítva.
2. eset – Érzékelő kalibrálása. Egy iskola "veszélyes PM2,5" riasztást kapott egy olcsó érzékelővel. Amikor a szakértő összehasonlította az érzékelőt egy közeli referenciaállomással, azt tapasztalta, hogy az érték magas páratartalom mellett felfújódott; A páratartalom korrekciója után az érték a "közepes" szintre csökkent. A kalibrálatlan érzékelő pánikot okozhat. (Ez ismét megmutatja, milyen kritikus az érzékelő kalibrálása minden mérési területen.)
3. eset – Előrejelzési bizonytalanság. Egy önkormányzat „nagy szennyezettségre” figyelmeztetett másnap mesterséges intelligencia-előrejelzési modelljével, de egy váratlan homokvihar meghiúsította az előrejelzést. A csapat korábban arról számolt be, hogy a modell „megbízhatatlan a nem képzési adatesemények esetében”; ezért a figyelmeztetést "lehetséges"-ként tüntették fel, és nem veszített a bizalom. A bizonytalanság egyértelművé tétele az előrejelzés felelősségteljes használata.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Jósolja meg a holnapot ezzel az időjárási adattal.
Miért gyenge: Nincs igény a paraméterekre, helyekre, adatminőségre, modelltípusra és bizonytalanságra. A kimenet egyetlen szám lenne, megbízhatósága ismeretlen.
Erőteljes felszólítás:
Az Ön szerepe: levegőminőségi adatkutató. A következő PM2.5 óránkénti adatokkal és meteorológiával (szél, páratartalom, hőmérséklet) állítson be egy egyszerű előrejelzési modellt (pl. gradiens-növelés) Pythonban a következő 24 órára. Lépések: (1) adattisztítás és szenzordrift szabályozás, (2) jellemzők előkészítése, (3) modellezés, (4) konfidencia intervallumú előrejelzéseket ad. Világosan fogalmazza meg a modell korlátait (megbízhatatlanság nem oktatási helyzetekben). Adatok: [itt]
Négy másolható sablon
1) Levegő adatok tisztítása + AQI:
Tisztítsa meg a következő levegőminőségi méréseket Python segítségével (alulsó, beragadt, sodródás, túllövés), és alakítsa át szabványos AQI-re. Adja meg, hogy melyik AQI képletet használja; felszerelés. Jelölje meg a törvényes küszöböt meghaladó órákat. Adatok: [itt]
2) Kibocsátás és koncentráció különbség:
Ellenőrizze a következő állítást: kibocsátásról (a forrásból) vagy koncentrációról (levegőben mérve) van szó? Emelje ki azokat a részeket, amelyek összekeverik a kettőt, vagy hagyják figyelmen kívül a meteorológiát, és javasoljanak mért, bizonyítékokon alapuló újraállítást. Igénylés: [itt]
3) Előrejelzési modell (bizonytalansággal):
Az Ön szerepe: adattudós. Hozzon létre egy rövid távú előrejelzési modellt (Python) a [szennyezőanyag] számára a következő idősorokkal. Adjon meg minden előrejelzést a konfidenciaintervallumával. Írja le egyértelműen, hogy milyen körülmények között (nem edzés, szélsőséges időjárás) lenne megbízhatatlan a modell. Túlságosan optimista igazságállítás FAKE.Adatok: [itt]
4) Erőforrás hozzájárulás összegzése:
Az alábbi levegőminőségi és széladatokból elemezze, melyik irányból fúj a szél a magas szennyezettségű órákban, hogy támpontot adjon a lehetséges forrásirányra vonatkozóan. Ne mondd egyenesen, hogy „ez a forrás”; Valószínűség és ellenőrzés felajánlása. Adatok: [itt]
Gyakori hibák
- A kibocsátás összekeverése a koncentrációval. A kémény csökkenése nem jelenti a levegő tisztaságát.
- Kalibrálatlan érzékelőre támaszkodva. A páratartalom és a sodródás felfújja az értékeket.
- A becslés bemutatása bizonytalanság nélkül. Minden becslést konfidenciaintervallummal kell megadni.
- A fizika illeszkedése az MI-hez. Az eloszlási modell fizikát igényel; Az LLM "jóslata" nem fizika.
- Emlékezzünk a jogi küszöbökre. Vegyük a határértékeket a jogszabályokból.
Vigyázat: A levegőminőségre vonatkozó állítások közegészségügyi vonatkozásúak. A hamis „tiszta” állítás veszélyezteti az embereket; Az alaptalan "piszkos" riasztás szükségtelen pánikot és gazdasági károkat okoz. Támassza alá az egyes állításokat kalibrált adatokkal, megfelelő modellel és egyértelmű bizonytalansággal.
Összefoglalva
levegő minősége; Ez megköveteli az emisszió elválasztását a koncentrációtól, a mérés kalibrálását, a megfelelő modellezést és a bizonytalanság melletti előrejelzést. AI; Erőteljes az adattisztításban, a minták kinyerésében és a rövid távú előrejelzésben. De a fizika alapú elosztás, a szenzorok kalibrálása, a törvényes küszöbértékek és a bizonytalanság őszinte bejelentése a szakértőé. A kéményen lévő szám nem egyezik meg a környék levegőjével.
Pályázati feladat
Készítsen hipotetikus óránkénti PM2,5 és meteorológiai adatokat egy helyhez. Az 1. sablonnal az AI tisztítsa meg az adatokat, alakítsa át AQI-vé, és jelölje meg a küszöbtúllépéseket. Ezután készítsen egy rövid távú előrejelzési modellt a 3. sablonnal, és győződjön meg arról, hogy minden előrejelzéshez tartozik egy konfidenciaintervallum. Végül ellenőriztesse a levegőminőségi állítást a kibocsátás/koncentráció tekintetében a 2. sablon segítségével.
ellenőrző lista
- [ ] Helyesen tettem különbséget az emisszió és a koncentráció között.
- [ ] Ellenőriztem az érzékelő adatait a kalibráció és a sodródás szempontjából.
- [ ] Az AQI-t és a küszöbértékeket a megfelelő képletből/jogszabályból kaptam.
- [ ] A becsléseket konfidenciaintervallummal és modellhatárral mutattam be.
- [ ] Nem rendelkeztem az AI-val, hogy adaptálja az elosztást/fizikát igénylő részeket.
- [ ] A közegészségügyi állításokat bizonyítékokkal támasztottam alá.