Добивки:
- Способност да се направи разлика помеѓу емисиите (од изворот) и концентрацијата (мерени во воздух) и да се претворат калибрираните податоци во AQI и да се споредат со прагови
- Способност да се изгради краткорочен модел за предвидување на загадувањето и да се презентира секое предвидување искрено со интервали на доверба и ограничувања на моделот
- Способност да се поддржат тврдењата за јавно здравје со докази без вештачка интелигенција приспособуваат делови кои бараат дистрибуција/физика
Загадувањето на воздухот е невидливо, но смртоносно: предизвикува милиони предвремени смртни случаи секоја година и е испреплетено со климатските промени. Институциите се одговорни и за нивните сопствени емисии и за квалитетот на воздухот околу нив. Во оваа единица ќе ги научите параметрите за квалитетот на воздухот, методите за мерење и моделирање, предвидување со вештачка интелигенција и границите на сето тоа.
Концептите прво. Квалитетот на воздухот генерално се мери на неколку главни загадувачи: PM2,5 и PM10 (честички помали од 2,5 и 10 микрони - дишечка прашина), NO2 (азот диоксид - од согорување), SO2 (сулфур диоксид), O3 (моноксид на приземје (озон) и CO). AQI (Air Quality Index) е индекс што ги претвора овие загадувачи во една обоена/нумерирана скала (добро-опасно) што јавноста може да ја разбере. Емисијата е количината што се ослободува од изворот, додека концентрацијата е концентрацијата во воздухот; Критично е да не се мешаат двете.
Совет: Емисијата (од изворот) и концентрацијата (мерена во воздух) се две различни работи. Ветерот, температурата и топографијата предизвикуваат истата емисија да резултира со многу различни концентрации. Да се каже „помалку излегува од оџакот“ не значи дека „воздухот во близина е чист“.
Моделирање: од емисија до концентрација
Пресметувањето на концентрацијата на загадувачот што излегува од оџакот ќе стигне до соседството е прашање на дисперзиско моделирање. Овие модели користат метеорологија (правец/брзина на ветерот, атмосферска стабилност) и топографија. Класичните модели (на пр. Гаусовиот модел на дистрибуција) се базирани на физика; Вештачката интелигенција се користи за да се забрзаат овие модели, да се интерпретира излезот и да се извлечат обрасци од големи сетови на мерни податоци - но опасно е да се „натера“ физиката да се вклопи во вештачката интелигенција.
Прогноза: предвидување на времето утре
Најсилното поле на вештачката интелигенција е прогнозирањето: градење модели кои предвидуваат нивоа на загадувачи утре или неколку часа подоцна, користејќи историски мерење, метеорологија и податоци за сообраќајот. Ова е вредно за предупредувања за јавно здравје и мерки на претпазливост (на пр. сообраќајно ограничување). Но, секое предвидување има несигурност и моделот ќе погреши кога ќе падне надвор од условите на кои бил обучен (на пример, неочекуван пожар).
Чекор по чекор: анализа на квалитетот на воздухот
1. Изберете го прашањето и параметарот. Кој загадувач, која локација, за кое времетраење?
2. Потврдете го изворот на податоци. Референтна станица или ефтин сензор? Калибар?
3. Пред-процес. Исчистете ги податоците што недостасуваат, движењето на сензорот, екстремните оддалечени.
4. Претворете во AQI и споредете со праг. Дали е надмината законската граница?
5. Модел/предвиди. Тренд, сезона, идна проекција.
6. Пријавете несигурност. Секогаш прикажувајте ги проценките со интервали на доверба и ограничувања на моделот.
три мини футроли
Случај 1 - Конфузија на емисија-концентрација. Еден објект сакаше да објави дека ги намалил емисиите на оџакот за 20% и затоа „воздухот во соседството е 20% почист“. Експертот покажа дека правецот на ветрот се променил во тоа време и врз концентрацијата всушност влијаела метеорологијата; Намалувањето на емисијата беше реално, но тврдењето за концентрацијата беше неосновано. Изјавата беше ограничена на „ги намаливме емисиите на оџакот за 20%“; Воздушно тврдење без докази отстрането.
Случај 2 - Калибрација на сензорот. Училиште доби дојава за „опасен ПМ2.5“ со евтин сензор. Кога експертот го споредил сензорот со блиската референтна станица, открил дека вредноста била надуена при висока влажност; По корекција на влажноста, вредноста се намали на „средно“ ниво. Некалибриран сензор може да предизвика паника. (Ова уште еднаш покажува колку е критична калибрацијата на сензорот во секоја мерна област.)
Случај 3 - Прогноза на несигурност. Една општина предупреди на „високо загадување“ следниот ден со својот модел за прогноза за вештачка интелигенција, но неочекуваната песочна бура ја осуети прогнозата. Тимот претходно објави дека моделот е „неверодостоен за настани со податоци кои не се обучуваат“; затоа предупредувањето беше претставено како „можно“ и немаше губење на довербата. Да се направи јасна несигурност е одговорна употреба на предвидувањето.
Слаб промпт / Силен промпт
Слаба навестување:
Со овие временски податоци предвидете го утрешниот ден.
Зошто е слаб: Нема побарувачка за параметри, локација, квалитет на податоци, тип на модел и неизвесност. Излезот би бил единечен број, неговата веродостојност непозната.
Моќен потсетник:
Вашата улога: научник за податоци за квалитетот на воздухот. Со следните часовни податоци за PM2,5 и метеорологија (ветер, влажност, температура), поставете едноставен модел за прогноза (на пр., зголемување на градиент) во Python за следните 24 часа. Чекори: (1) чистење на податоци и контрола на префрлање на сензорот, (2) подготовка на карактеристики, (3) модел, (4) даваат предвидувања со интервал на доверба. Јасно наведете ги ограничувањата на моделот (неверодостојност во необразовни ситуации). Податоци: [тука]
Четири шаблони за копирање
1) Чистење на податоците на воздухот + AQI:
Исчистете ги следните мерења на квалитетот на воздухот со Python (поднесено, заглавено, лизгање, прескокнување) и претворете ги во стандарден AQI. Наведете која формула AQI ја користите; фитинг. Обележете часови што го надминуваат законскиот праг. Податоци: [тука]
2) Разлика на емисија наспроти концентрација:
Проверете го следново тврдење: дали се работи за емисии (од изворот) или за концентрација (мерено во воздух)? Истакнете ги деловите што ги збунуваат двете или ја игнорираат метеорологијата и предложите измерено повторување врз основа на докази. Тврдат: [тука]
3) Модел на предвидување (со несигурност):
Вашата улога: научник за податоци. Направете краткорочен модел на прогноза (Python) за [загадувачот] со следните временски серии. Наведете го секое предвидување со неговиот интервал на доверба. Напишете јасно под кои услови (настан без обука, екстремни временски услови) моделот би бил несигурен. Премногу оптимистичко тврдење за вистината ЛАЖЕН.Податоци: [тука]
4) Резиме на придонесот за ресурси:
Од податоците за квалитетот на воздухот и ветерот подолу, анализирајте од која насока доаѓа ветерот за време на високите часови на загадување за да дадете поим за можната насока на изворот. Не кажувајте директно „ова е изворот“; Понуда веројатност и верификација. Податоци: [тука]
Вообичаени грешки
- Збунувачки емисија со концентрација. Намалувањето на оџакот не значи чистота во воздухот.
- Потпирајќи се на некалибриран сензор. Влажноста и наносот ги надувуваат вредностите.
- Презентирање на проценката без неизвесност. Секоја проценка треба да се даде со интервал на доверба.
- Правење на физиката да се вклопи со вештачката интелигенција. Моделот на дистрибуција бара физика; „Предвидувањето“ на LLM не е физика.
- Сеќавање на законските прагови. Земете ги граничните вредности од законодавството.
Внимание: Тврдењата за квалитетот на воздухот се однесуваат на јавното здравје. Лажното „чисто“ тврдење ги става луѓето во ризик; Неоснованиот „валкан“ аларм создава непотребна паника и економска штета. Поддржете го секое тврдење со калибрирани податоци, соодветен модел и јасна несигурност.
Сумирано
Квалитетот на воздухот; Потребно е одвојување на емисијата од концентрацијата, калибрирање на мерење, соодветно моделирање и предвидување претставено со несигурност. ВИ; Тој е моќен во чистењето на податоците, извлекувањето шаблони и краткорочното предвидување. Но, дистрибуцијата заснована на физика, калибрацијата на сензорот, правните прагови и искреното известување за несигурноста му припаѓаат на експертот. Бројката на оџакот не е ист со воздухот во соседството.
Задача за апликација
Подгответе хипотетички часовни PM2.5 и метеоролошки податоци за локација. Со првиот шаблон, вештачката интелигенција нека ги исчисти податоците, да ги претвори во AQI и да означи надминување на прагот. Потоа изградете модел на краткорочна прогноза со 3-тиот образец и проверете дали секоја прогноза доаѓа со интервал на доверба. Конечно, нека го провери вашето тврдење за квалитетот на воздухот за емисии/концентрација со шаблон 2.
листа за проверка
- [ ] Правилно ја направив разликата помеѓу емисијата и концентрацијата.
- [ ] Ги проверив податоците од сензорот за калибрација и дрифт.
- [ ] Ги добив AQI и прагови од точната формула/законодавство.
- [ ] Ги претставив проценките со интервал на доверба и ограничување на моделот.
- [ ] Немав вештачка интелигенција да ги приспособи деловите што бараа дистрибуција/физика.
- [ ] Ги поддржав тврдењата за јавно здравје со докази.