Guadagni:
- Capacità di distinguere tra emissioni (dalla fonte) e concentrazione (misurate in aria) e convertire i dati calibrati in AQI e confrontarli con le soglie
- Capacità di costruire un modello di previsione dell'inquinamento a breve termine e di presentare ciascuna previsione in modo onesto con intervalli di confidenza e limiti del modello
- Capacità di supportare le indicazioni sulla salute pubblica con prove senza che l'intelligenza artificiale adatti parti che richiedono distribuzione/fisica
L’inquinamento atmosferico è invisibile ma mortale: provoca milioni di morti premature ogni anno ed è intrecciato con il cambiamento climatico. Le istituzioni sono responsabili sia delle proprie emissioni dai camini che della qualità dell’aria che le circonda. In questa unità imparerai i parametri della qualità dell'aria, i metodi di misurazione e modellazione, la previsione con l'intelligenza artificiale e i limiti di tutti questi.
Innanzitutto i concetti. La qualità dell'aria viene generalmente misurata su diversi importanti inquinanti: PM2,5 e PM10 (particolato inferiore a 2,5 e 10 micron - polvere respirabile), NO₂ (biossido di azoto - da combustione), SO₂ (biossido di zolfo), O₃ (ozono troposferico) e CO (monossido di carbonio). L'AQI (Air Quality Index) è l'indice che converte questi inquinanti in un'unica scala colorata/numerata (buono-pericoloso) comprensibile al pubblico. L'emissione è la quantità rilasciata dalla fonte, mentre la concentrazione è la concentrazione nell'aria; È fondamentale non confondere le due cose.
Suggerimento: l'emissione (dalla sorgente) e la concentrazione (misurata nell'aria) sono due cose diverse. Il vento, la temperatura e la topografia fanno sì che la stessa emissione risulti in concentrazioni molto diverse. Dire "esce meno dal camino" non significa "l'aria lì vicino è pulita".
Modellazione: dall'emissione alla concentrazione
Calcolare la concentrazione di un inquinante che esce da un camino raggiungerà un quartiere vicino è una questione di modellizzazione della dispersione. Questi modelli utilizzano la meteorologia (direzione/velocità del vento, stabilità atmosferica) e la topografia. I modelli classici (ad esempio il modello di distribuzione gaussiana) sono basati sulla fisica; L’intelligenza artificiale viene utilizzata per accelerare questi modelli, interpretare i risultati ed estrarre modelli da grandi set di dati di misurazione, ma è pericoloso “far adattare” la fisica all’intelligenza artificiale.
Previsioni: previsione del tempo di domani
Il campo più forte dell’intelligenza artificiale è quello delle previsioni: costruire modelli che prevedono i livelli di inquinanti domani o poche ore dopo, utilizzando misurazioni storiche, dati meteorologici e sul traffico. Ciò è utile per avvertenze e precauzioni sulla salute pubblica (ad esempio, limitazione del traffico). Ma ogni previsione presenta incertezza e il modello risulterà sbagliato quando non rientra nelle condizioni su cui è stato addestrato (ad esempio, un incendio imprevisto).
Passo dopo passo: un'analisi della qualità dell'aria
1. Selezionare la domanda e il parametro. Quale inquinante, quale luogo, per quale durata?
2. Verificare l'origine dati. Stazione di riferimento o sensore a basso costo? Calibro?
3. Pre-elaborazione. Elimina i dati mancanti, la deriva del sensore e i valori anomali estremi.
4. Convertire in AQI e confrontare con la soglia. È stato superato il limite legale?
5. Modellare/prevedere. Tendenza, stagionalità, proiezione futura.
6. Segnalare l'incertezza. Presentare sempre stime con intervalli di confidenza e limiti del modello.
tre mini custodie
Caso 1 – Confusione tra emissioni e concentrazione. Uno stabilimento ha voluto annunciare di aver ridotto le emissioni dei camini del 20% e quindi "l'aria del quartiere era più pulita del 20%". L'esperto ha dimostrato che in quel momento la direzione del vento era cambiata e che la concentrazione era effettivamente influenzata dalla meteorologia; La riduzione delle emissioni era reale, ma la richiesta di concentrazione non era comprovata. La dichiarazione si limitava a "abbiamo ridotto le emissioni dei camini del 20%"; Reclamo aereo senza prove rimosse.
Caso 2 — Calibrazione del sensore. Una scuola ha ricevuto un avviso di "PM2,5 pericoloso" con un sensore a basso costo. Quando l'esperto ha confrontato il sensore con una stazione di riferimento vicina, ha scoperto che il valore era gonfiato in condizioni di elevata umidità; Dopo la correzione dell'umidità, il valore è sceso al livello "medio". Un sensore non calibrato potrebbe causare panico. (Ciò dimostra ancora una volta quanto sia critica la calibrazione del sensore in ogni area di misurazione.)
Caso 3 — Incertezza della previsione. Il giorno successivo un comune ha avvertito di “elevato inquinamento” con il suo modello di previsione basato sull’intelligenza artificiale, ma un’inaspettata tempesta di sabbia ha sventato la previsione. Il team aveva precedentemente segnalato che il modello era “inaffidabile per eventi di dati non di addestramento”; pertanto l'avvertimento è stato presentato come “possibile” e non vi è stata alcuna perdita di fiducia. Rendere chiara l’incertezza è l’uso responsabile della previsione.
Prompt debole / Prompt forte
Suggerimento debole:
Prevedi domani con questi dati meteorologici.
Perché è debole: nessuna richiesta di parametri, posizione, qualità dei dati, tipo di modello e incertezza. L'output sarebbe un singolo numero, la cui affidabilità è sconosciuta.
Suggerimento potente:
Il tuo ruolo: scienziato dei dati sulla qualità dell'aria. Con i seguenti dati orari PM2,5 e meteorologia (vento, umidità, temperatura), imposta un semplice modello di previsione (ad esempio aumento del gradiente) in Python per le prossime 24 ore. Passaggi: (1) pulizia dei dati e controllo della deriva del sensore, (2) preparazione delle caratteristiche, (3) modello, (4) fornire previsioni con intervallo di confidenza. Indicare chiaramente i limiti del modello (inaffidabilità in situazioni non educative). Dati: [qui]
Quattro modelli copiabili
1) Pulizia dei dati aerei + AQI:
Pulisci le seguenti misurazioni della qualità dell'aria con Python (undershoot, bloccato, drift, overshoot) e convertile in AQI standard. Specifica quale formula AQI usi; raccordo. Segna le ore che superano la soglia legale. Dati: [qui]
2) Distinzione tra emissione e concentrazione:
Controlla la seguente affermazione: si tratta di emissioni (dalla fonte) o di concentrazione (misurate nell'aria)? Evidenzia le parti che confondono i due o ignorano la meteorologia e suggeriscono una riaffermazione misurata basata sull'evidenza. Richiesta: [qui]
3) Modello di previsione (con incertezza):
Il tuo ruolo: scienziato dei dati. Costruisci un modello di previsione a breve termine (Python) per [inquinante] con le seguenti serie temporali. Fornisci a ciascuna previsione il relativo intervallo di confidenza. Scrivi chiaramente in quali condizioni (evento non formativo, condizioni meteorologiche estreme) il modello sarebbe inaffidabile. Affermazione di verità eccessivamente ottimistica FAKE.Data: [qui]
4) Riepilogo del contributo in termini di risorse:
Dai dati sulla qualità dell'aria e sul vento riportati di seguito, analizzare da quale direzione proviene il vento durante le ore di alto inquinamento per fornire un indizio sulla possibile direzione della fonte. Non dire apertamente "questa è la fonte"; Offri probabilità e verifica. Dati: [qui]
Errori comuni
- Confondere l'emissione con la concentrazione. Una diminuzione del camino non significa pulizia dell'aria.
- Affidarsi a un sensore non calibrato. Umidità e deriva gonfiano i valori.
- Presentare il preventivo senza incertezze. Ogni stima dovrebbe essere fornita con un intervallo di confidenza.
- Adattare la fisica all'intelligenza artificiale. Il modello di distribuzione richiede la fisica; La "previsione" del LLM non è fisica.
- Ricordare le soglie legali. Prendi i valori limite dalla legislazione.
Attenzione: le dichiarazioni sulla qualità dell’aria riguardano la salute pubblica. Una falsa affermazione "pulita" mette a rischio le persone; Un allarme “sporco” infondato crea panico inutile e danni economici. Supporta ogni affermazione con dati calibrati, modello appropriato e chiara incertezza.
In sintesi
Qualità dell'aria; Richiede la separazione delle emissioni dalla concentrazione, la calibrazione della misurazione, la modellizzazione appropriata e la previsione presentata con incertezza. IA; È potente nella pulizia dei dati, nell'estrazione di modelli e nelle previsioni a breve termine. Ma la distribuzione basata sulla fisica, la calibrazione dei sensori, le soglie legali e la segnalazione onesta dell’incertezza appartengono all’esperto. Il numero sul camino non è lo stesso dell'aria del quartiere.
Compito dell'applicazione
Preparare ipotetici PM2.5 orari e dati meteorologici per una località. Con il primo modello, chiedi all'IA di pulire i dati, convertirli in AQI e contrassegnare i superamenti della soglia. Quindi crea un modello di previsione a breve termine con il terzo modello e assicurati che ciascuna previsione abbia un intervallo di confidenza. Infine, fai verificare la tua dichiarazione sulla qualità dell'aria per le emissioni/concentrazioni con il modello 2.
lista di controllo
- [ ] Ho fatto correttamente la distinzione tra emissione e concentrazione.
- [ ] Ho controllato i dati del sensore per la calibrazione e la deriva.
- [ ] Ho ottenuto l'AQI e le soglie dalla formula/legislazione corretta.
- [ ] Ho presentato le stime con intervallo di confidenza e limite del modello.
- [] Non ho fatto in modo che l'IA adattasse le parti che richiedevano distribuzione/fisica.
- [] Ho supportato le affermazioni sulla salute pubblica con prove.