Ieguvumi:
- Spēja atšķirt emisijas (no avota) un koncentrāciju (mērītas gaisā) un pārveidot kalibrētos datus AQI un salīdzināt tos ar sliekšņiem
- Spēja izveidot īstermiņa piesārņojuma prognozēšanas modeli un godīgi iesniegt katru prognozi ar ticamības intervāliem un modeļa ierobežojumiem
- Spēja pamatot sabiedrības veselības norādes ar pierādījumiem bez mākslīgā intelekta pielāgošanas daļām, kurām nepieciešama izplatīšana/fizika
Gaisa piesārņojums ir neredzams, bet nāvējošs: tas katru gadu izraisa miljoniem priekšlaicīgas nāves gadījumu un ir saistīts ar klimata pārmaiņām. Iestādes ir atbildīgas gan par savām skursteņu emisijām, gan par gaisa kvalitāti ap tām. Šajā nodaļā jūs uzzināsiet par gaisa kvalitātes parametriem, mērīšanas un modelēšanas metodēm, prognozēšanu ar AI un visu to robežas.
Vispirms jēdzieni. Gaisa kvalitāti parasti mēra ar vairākiem galvenajiem piesārņotājiem: PM2,5 un PM10 (daļiņas, kas mazākas par 2,5 un 10 mikroniem — ieelpojami putekļi), NO₂ (slāpekļa dioksīds — sadegšanas rezultātā), SO₂ (sēra dioksīds), O₃ (piezemes ozons) un CO (oglekļa monoksīds). AQI (gaisa kvalitātes indekss) ir indekss, kas pārvērš šos piesārņotājus vienā krāsainā/numurētā skalā (labi-bīstams), ko sabiedrība var saprast. Emisija ir daudzums, kas izdalās no avota, savukārt koncentrācija ir koncentrācija gaisā; Ir ļoti svarīgi nesajaukt abus.
Padoms: emisija (no avota) un koncentrācija (mērīta gaisā) ir divas dažādas lietas. Vējš, temperatūra un topogrāfija rada vienu un to pašu emisiju, kas rada ļoti dažādas koncentrācijas. Teikts "no skursteņa izplūst mazāk" nenozīmē "tuvumā gaiss ir tīrs".
Modelēšana: no emisijas līdz koncentrācijai
No skursteņa izplūstošās piesārņojošās vielas koncentrācijas aprēķināšana tuvākajā apkārtnē ir dispersijas modelēšanas jautājums. Šajos modeļos izmantota meteoroloģija (vēja virziens/ātrums, atmosfēras stabilitāte) un topogrāfija. Klasiskie modeļi (piemēram, Gausa sadalījuma modelis) ir balstīti uz fiziku; AI tiek izmantots, lai paātrinātu šos modeļus, interpretētu izvadi un izvilktu modeļus no lielām mērījumu datu kopām, taču ir bīstami “pielikt” fiziku AI.
Prognoze: prognozē rītdienas laikapstākļus
AI spēcīgākā joma ir prognozēšana: modeļu veidošana, kas paredz piesārņojošo vielu līmeni rīt vai dažas stundas vēlāk, izmantojot vēsturiskos mērījumus, meteoroloģiskos un satiksmes datus. Tas ir vērtīgi brīdinājumiem par sabiedrības veselību un piesardzības pasākumiem (piemēram, satiksmes ierobežojumiem). Taču katrai prognozei ir nenoteiktība, un modelis būs nepareizs, ja tas neatbilst apstākļiem, kādos tas tika apmācīts (piemēram, negaidīts ugunsgrēks).
Soli pa solim: gaisa kvalitātes analīze
1. Izvēlieties jautājumu un parametru. Kurš piesārņotājs, kurā vietā, uz kādu laiku?
2. Pārbaudiet datu avotu. Atsauces stacija vai zemu izmaksu sensors? Kalibrs?
3. Priekšapstrāde. Notīriet trūkstošos datus, sensoru novirzes, ārkārtējas novirzes.
4. Konvertējiet uz AQI un salīdziniet ar slieksni. Vai ir pārsniegts likumā noteiktais ierobežojums?
5. Modelēt/prognozēt. Tendence, sezonalitāte, nākotnes prognoze.
6. Ziņojiet par nenoteiktību. Vienmēr sniedziet aplēses ar ticamības intervāliem un modeļa ierobežojumiem.
trīs mini futrāļi
1. gadījums — emisiju koncentrācijas neskaidrības. Viens objekts vēlējās paziņot, ka tas ir samazinājis skursteņa emisijas par 20% un tāpēc "apkārtnes gaiss bija par 20% tīrāks". Eksperts parādīja, ka tajā laikā vēja virziens mainījās un koncentrāciju faktiski ietekmēja meteoroloģija; Emisiju samazinājums bija reāls, bet koncentrācijas apgalvojums nebija pamatots. Paziņojums aprobežojās ar "mēs samazinājām skursteņu emisijas par 20%"; Gaisa prasība bez pierādījumiem noņemta.
2. gadījums — sensora kalibrēšana. Kāda skola saņēma brīdinājumu par "bīstamu PM2,5" ar zemu izmaksu sensoru. Kad eksperts salīdzināja sensoru ar tuvējo atskaites staciju, viņš atklāja, ka vērtība ir uzpūsta augsta mitruma apstākļos; Pēc mitruma korekcijas vērtība samazinājās līdz "vidējam" līmenim. Nekalibrēts sensors var izraisīt paniku. (Tas vēlreiz parāda, cik svarīga ir sensora kalibrēšana katrā mērījumu zonā.)
3. gadījums — prognozes nenoteiktība. Pašvaldība nākamajā dienā brīdināja par "augstu piesārņojumu", izmantojot savu AI prognozes modeli, taču negaidīta smilšu vētra šo prognozi izjauca. Komanda iepriekš bija ziņojusi, ka modelis bija "neuzticams ar apmācību nesaistītiem datu notikumiem"; tāpēc brīdinājums tika pasniegts kā "iespējams" un pārliecība netika zaudēta. Skaidra nenoteiktība ir atbildīga prognožu izmantošana.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Paredziet rītdienu, izmantojot šos laikapstākļu datus.
Kāpēc tas ir vājš: nav pieprasījuma pēc parametriem, atrašanās vietas, datu kvalitātes, modeļa veida un nenoteiktības. Izvade būtu viens skaitlis, tā uzticamība nav zināma.
Spēcīga uzvedne:
Jūsu loma: gaisa kvalitātes datu zinātnieks. Izmantojot tālāk norādītos PM2.5 stundas datus un meteoroloģiju (vējš, mitrums, temperatūra), iestatiet vienkāršu prognozes modeli (piemēram, gradienta pastiprināšanu) Python nākamajām 24 stundām. Darbības: (1) datu tīrīšana un sensoru novirzes kontrole, (2) funkciju sagatavošana, (3) modelis, (4) sniegt prognozes ar ticamības intervālu. Skaidri norādiet modeļa ierobežojumus (neuzticamība situācijās, kas nav saistītas ar izglītību). Dati: [šeit]
Četras kopējamas veidnes
1) Gaisa datu tīrīšana + AQI:
Notīriet tālāk norādītos gaisa kvalitātes mērījumus ar Python (nepietiekams, iestrēdzis, dreifs, pārsniegums) un konvertējiet tos uz standarta AQI. Norādiet, kuru AQI formulu izmantojat; montāža. Atzīmējiet stundas, kas pārsniedz likumā noteikto slieksni. Dati: [šeit]
2) Emisijas un koncentrācijas atšķirība:
Pārbaudiet šādu apgalvojumu: vai runa ir par emisijām (no avota) vai koncentrāciju (mērīta gaisā)? Izceliet daļas, kas sajauc abus, vai ignorējiet meteoroloģiju, un iesakiet izmērītu pārveidojumu, pamatojoties uz pierādījumiem. Pretenzija: [šeit]
3) Prognozes modelis (ar nenoteiktību):
Jūsu loma: datu zinātnieks. Izveidojiet īstermiņa prognožu modeli (Python) [piesārņojošai vielai] ar šādām laikrindām. Sniedziet katru prognozi ar tās ticamības intervālu. Skaidri uzrakstiet, kādos apstākļos (neapmācības pasākums, ekstremāli laikapstākļi) modelis būtu neuzticams. Pārāk optimistisks patiesības apgalvojums FAKE.Dati: [šeit]
4) Resursu ieguldījuma kopsavilkums:
No tālāk sniegtajiem gaisa kvalitātes un vēja datiem analizējiet, no kura virziena vējš nāk augsta piesārņojuma stundās, lai sniegtu norādes par iespējamo avota virzienu. Nesakiet tieši "šis ir avots"; Piedāvājiet varbūtību un pārbaudi. Dati: [šeit]
Biežas kļūdas
- Mulsinoša emisija ar koncentrāciju. Skursteņa samazināšanās nenozīmē gaisa tīrību.
- Paļaujoties uz nekalibrētu sensoru. Mitrums un novirze palielina vērtības.
- Tāmes uzrādīšana bez nenoteiktības. Katrs novērtējums jānorāda ar ticamības intervālu.
- Fizikas saderība ar AI. Izplatīšanas modelim nepieciešama fizika; LLM "prognoze" nav fizika.
- Atceroties juridiskos sliekšņus. Ņemiet robežvērtības no tiesību aktiem.
Uzmanību: apgalvojumi par gaisa kvalitāti attiecas uz sabiedrības veselību. Nepatiess apgalvojums "tīrs" pakļauj cilvēkus riskam; Nepamatota "netīra" trauksme rada nevajadzīgu paniku un ekonomiskus zaudējumus. Atbalstiet katru apgalvojumu ar kalibrētiem datiem, atbilstošu modeli un skaidru nenoteiktību.
Rezumējot
Gaisa kvalitāte; Tam nepieciešama emisijas atdalīšana no koncentrācijas, mērījumu kalibrēšana, atbilstoša modelēšana un prognozēšana ar nenoteiktību. AI; Tas ir spēcīgs datu tīrīšanā, modeļu ieguvē un īstermiņa prognozēšanā. Taču uz fiziku balstīta izplatīšana, sensoru kalibrēšana, juridiskie sliekšņi un godīga ziņošana par nenoteiktību pieder ekspertam. Skaitlis uz skursteņa nav tāds pats kā apkārtnes gaiss.
Lietojumprogrammas uzdevums
Sagatavojiet hipotētiskus stundas PM2,5 un meteoroloģiskos datus vietai. Izmantojot pirmo veidni, AI notīra datus, konvertē tos uz AQI un atzīmē sliekšņa pārsniegumus. Pēc tam izveidojiet īstermiņa prognožu modeli ar 3. veidni un pārliecinieties, vai katrai prognozei ir norādīts ticamības intervāls. Visbeidzot, veiciet gaisa kvalitātes prasības emisiju/koncentrācijas auditu, izmantojot 2. veidni.
kontrolsaraksts
- [ ] Es pareizi nošķīru emisiju un koncentrāciju.
- [ ] Es pārbaudīju sensora datus kalibrēšanai un novirzei.
- [ ] Es ieguvu AQI un sliekšņus no pareizās formulas/tiesību akta.
- [ ] Es iesniedzu aplēses ar ticamības intervālu un modeļa ierobežojumu.
- [ ] Man nebija AI pielāgot daļas, kurām bija nepieciešama izplatīšana/fizika.
- [ ] Es atbalstīju sabiedrības veselības norādes ar pierādījumiem.