Keuntungan:
- Kemampuan untuk membedakan antara emisi (dari sumber) dan konsentrasi (diukur di udara) dan mengubah data yang dikalibrasi menjadi AQI dan membandingkannya dengan ambang batas
- Kemampuan untuk membangun model prediksi polusi jangka pendek dan menyajikan setiap prediksi secara jujur dengan interval kepercayaan dan batasan model
- Kemampuan untuk mendukung klaim kesehatan masyarakat dengan bukti tanpa kecerdasan buatan mengadaptasi bagian-bagian yang memerlukan distribusi/fisika
Polusi udara tidak terlihat namun mematikan: menyebabkan jutaan kematian dini setiap tahunnya dan berkaitan dengan perubahan iklim. Institusi bertanggung jawab atas tumpukan emisi mereka sendiri dan kualitas udara di sekitar mereka. Di unit ini, Anda akan mempelajari parameter kualitas udara, metode pengukuran dan pemodelan, prediksi dengan AI, dan batasan semua itu.
Konsep dulu. Kualitas udara umumnya diukur berdasarkan beberapa polutan utama: PM2,5 dan PM10 (partikel yang lebih kecil dari 2,5 dan 10 mikron — debu yang dapat terhirup), NO₂ (nitrogen dioksida — dari pembakaran), SO₂ (sulfur dioksida), O₃ (ozon di permukaan tanah), dan CO (karbon monoksida). AQI (Indeks Kualitas Udara) adalah indeks yang mengubah polutan-polutan tersebut menjadi satu skala berwarna/bernomor (baik-berbahaya) yang dapat dipahami masyarakat. Emisi adalah jumlah yang dikeluarkan dari sumbernya, sedangkan konsentrasi adalah konsentrasi di udara; Penting untuk tidak membingungkan keduanya.
Petunjuk: Emisi (dari sumbernya) dan konsentrasi (diukur di udara) adalah dua hal yang berbeda. Angin, suhu dan topografi menyebabkan emisi yang sama sehingga menghasilkan konsentrasi yang sangat berbeda. Mengatakan "lebih sedikit yang keluar dari cerobong asap" tidak berarti "udara di sekitar bersih".
Pemodelan: dari emisi hingga konsentrasi
Menghitung konsentrasi polutan yang keluar dari cerobong asap yang akan mencapai lingkungan terdekat adalah soal pemodelan dispersi. Model ini menggunakan meteorologi (arah/kecepatan angin, stabilitas atmosfer) dan topografi. Model klasik (misalnya model distribusi Gaussian) berbasis fisika; AI digunakan untuk mempercepat model-model ini, menafsirkan keluaran, dan mengekstrak pola dari kumpulan data pengukuran besar — tetapi “menyesuaikan” fisika dengan AI akan berbahaya.
Prakiraan: memprediksi cuaca besok
Bidang AI yang paling kuat adalah peramalan: membuat model yang memprediksi tingkat polutan besok atau beberapa jam kemudian, menggunakan pengukuran historis, meteorologi, dan data lalu lintas. Hal ini berguna untuk peringatan dan tindakan pencegahan kesehatan masyarakat (misalnya pembatasan lalu lintas). Namun setiap prediksi memiliki ketidakpastian, dan model akan salah jika berada di luar kondisi yang telah dilatihnya (misalnya, kebakaran yang tidak terduga).
Langkah demi langkah: analisis kualitas udara
1. Pilih pertanyaan dan parameter. Polutan apa, lokasi apa, durasi berapa?
2. Verifikasi sumber data. Stasiun referensi atau sensor berbiaya rendah? Kaliber?
3. Pra-proses. Bersihkan data yang hilang, penyimpangan sensor, outlier ekstrem.
4. Konversikan ke AQI dan bandingkan dengan ambang batas. Apakah batas legal terlampaui?
5. Model/prediksi. Tren, musiman, proyeksi masa depan.
6. Laporkan ketidakpastian. Selalu berikan perkiraan dengan interval kepercayaan dan batas model.
tiga kasus mini
Kasus 1 — Kebingungan konsentrasi emisi. Salah satu fasilitas ingin mengumumkan bahwa mereka telah mengurangi emisi tumpukannya sebesar 20% sehingga "udara di lingkungan sekitar menjadi 20% lebih bersih". Ahli menunjukkan bahwa arah angin berubah pada saat itu dan konsentrasinya sebenarnya dipengaruhi oleh meteorologi; Pengurangan emisi memang nyata, namun klaim konsentrasinya tidak berdasar. Pernyataan tersebut hanya terbatas pada "kami mengurangi emisi tumpukan sebesar 20%"; Klaim udara tanpa bukti dihapus.
Kasus 2 — Kalibrasi sensor. Sebuah sekolah menerima peringatan "PM2.5 berbahaya" dengan sensor berbiaya rendah. Ketika ahli membandingkan sensor tersebut dengan stasiun referensi terdekat, dia menemukan bahwa nilainya meningkat pada kelembapan tinggi; Setelah koreksi kelembapan, nilainya turun ke level "sedang". Sensor yang tidak dikalibrasi dapat menyebabkan kepanikan. (Ini sekali lagi menunjukkan betapa pentingnya kalibrasi sensor di setiap area pengukuran.)
Kasus 3 — Ketidakpastian perkiraan. Sebuah kotamadya memperingatkan akan adanya "polusi tinggi" keesokan harinya dengan model perkiraan AI, namun badai pasir yang tidak terduga menggagalkan perkiraan tersebut. Tim tersebut sebelumnya telah melaporkan bahwa model tersebut “tidak dapat diandalkan untuk kejadian data non-pelatihan”; oleh karena itu peringatan itu disajikan sebagai "mungkin" dan tidak ada kehilangan kepercayaan. Memperjelas ketidakpastian adalah penggunaan prediksi secara bertanggung jawab.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Prediksi besok dengan data cuaca ini.
Mengapa lemah: Tidak ada permintaan untuk parameter, lokasi, kualitas data, jenis model, dan ketidakpastian. Outputnya akan berupa angka tunggal, keandalannya tidak diketahui.
Perintah yang kuat:
Peran Anda: ilmuwan data kualitas udara. Dengan data dan meteorologi PM2,5 per jam berikut (angin, kelembapan, suhu), siapkan model perkiraan sederhana (misalnya peningkatan gradien) dengan Python untuk 24 jam ke depan. Langkah-langkahnya: (1) pembersihan data dan pengendalian penyimpangan sensor, (2) persiapan fitur, (3) model, (4) memberikan prediksi dengan interval kepercayaan. Nyatakan dengan jelas keterbatasan model (tidak dapat diandalkan dalam situasi non-pendidikan). Data: [di sini]
Empat templat yang dapat disalin
1) Pembersihan data udara + AQI:
Bersihkan pengukuran kualitas udara berikut dengan Python (undershoot, stuck, drift, overshoot) dan ubah ke AQI standar. Tentukan rumus AQI mana yang Anda gunakan; tepat. Tandai jam yang melebihi ambang batas legal. Data: [di sini]
2) Perbedaan emisi vs konsentrasi:
Periksa klaim berikut: apakah mengenai emisi (dari sumbernya) atau konsentrasi (diukur di udara)? Soroti bagian-bagian yang membingungkan keduanya atau abaikan meteorologi dan sarankan pernyataan ulang yang terukur berdasarkan bukti. Klaim: [di sini]
3) Model prediksi (dengan ketidakpastian):
Peran Anda: ilmuwan data. Bangun model perkiraan jangka pendek (Python) untuk [polutan] dengan rangkaian waktu berikut. Berikan setiap prediksi dengan interval kepercayaannya. Tulis dengan jelas dalam kondisi apa (peristiwa non-pelatihan, cuaca ekstrem) model tersebut tidak dapat diandalkan. Klaim kebenaran yang terlalu optimis PALSU.Data: [di sini]
4) Ringkasan kontribusi sumber daya:
Dari data kualitas udara dan angin di bawah ini, analisis dari arah mana angin datang selama jam-jam polusi tinggi untuk memberikan petunjuk tentang kemungkinan arah sumbernya. Jangan langsung mengatakan "ini sumbernya"; Tawarkan probabilitas dan verifikasi. Data: [di sini]
Kesalahan umum
- Membingungkan emisi dengan konsentrasi. Penurunan cerobong asap tidak berarti kebersihan udara.
- Mengandalkan sensor yang tidak dikalibrasi. Kelembapan dan penyimpangan meningkatkan nilainya.
- Menyajikan perkiraan tanpa ketidakpastian. Setiap perkiraan harus diberikan dengan interval kepercayaan.
- Membuat fisika cocok dengan AI. Model distribusi memerlukan fisika; "Prediksi" LLM bukanlah fisika.
- Mengingat ambang batas hukum. Ambil nilai batas dari peraturan perundang-undangan.
Perhatian: Klaim kualitas udara menyangkut kesehatan masyarakat. Klaim “bersih” yang salah menempatkan orang pada risiko; Peringatan “kotor” yang tidak berdasar akan menciptakan kepanikan dan kerusakan ekonomi yang tidak perlu. Dukung setiap klaim dengan data yang terkalibrasi, model yang sesuai, dan ketidakpastian yang jelas.
Singkatnya
Kualitas udara; Hal ini memerlukan pemisahan emisi dari konsentrasi, kalibrasi pengukuran, pemodelan yang tepat, dan prediksi yang dihadapkan pada ketidakpastian. AI; Ini kuat dalam pembersihan data, ekstraksi pola, dan perkiraan jangka pendek. Namun distribusi berbasis fisika, kalibrasi sensor, ambang batas hukum, dan pelaporan ketidakpastian yang jujur adalah milik ahlinya. Jumlah pada cerobong asap tidak sama dengan udara di lingkungan sekitar.
Tugas aplikasi
Siapkan data hipotetis PM2.5 dan meteorologi setiap jam untuk suatu lokasi. Dengan templat pertama, minta AI membersihkan data, mengubahnya menjadi AQI, dan menandai pelampauan ambang batas. Kemudian buat model perkiraan jangka pendek dengan template ke-3 dan pastikan bahwa setiap perkiraan dilengkapi dengan interval kepercayaan. Terakhir, mintalah klaim kualitas udara Anda diaudit untuk emisi/konsentrasinya dengan templat 2.
daftar periksa
- [ ] Saya membedakan antara emisi dan konsentrasi dengan benar.
- [ ] Saya memeriksa data sensor untuk kalibrasi dan penyimpangan.
- [ ] AQI dan ambang batasnya saya peroleh dari rumusan/perundang-undangan yang benar.
- [] Saya menyajikan perkiraan dengan interval kepercayaan dan batas model.
- [ ] Saya tidak memiliki AI yang mengadaptasi bagian-bagian yang memerlukan distribusi/fisika.
- [ ] Saya mendukung klaim kesehatan masyarakat dengan bukti.