नफा:
- उत्सर्जन (स्रोत पासून) आणि एकाग्रता (हवेत मोजले जाणारे) यांच्यात फरक करण्याची क्षमता आणि कॅलिब्रेटेड डेटा AQI मध्ये रूपांतरित करण्याची आणि थ्रेशोल्डशी तुलना करण्याची क्षमता
- अल्प-मुदतीचे प्रदूषण अंदाज मॉडेल तयार करण्याची क्षमता आणि आत्मविश्वास मध्यांतर आणि मॉडेल मर्यादांसह प्रत्येक अंदाज प्रामाणिकपणे सादर करण्याची क्षमता
- वितरण/भौतिकशास्त्र आवश्यक असलेल्या कृत्रिम बुद्धिमत्तेला अनुकूल भाग न घेता पुराव्यासह सार्वजनिक आरोग्य दाव्यांचे समर्थन करण्याची क्षमता
वायू प्रदूषण अदृश्य परंतु प्राणघातक आहे: यामुळे दरवर्षी लाखो अकाली मृत्यू होतात आणि ते हवामान बदलाशी जोडलेले असते. संस्था त्यांच्या स्वतःच्या स्टॅक उत्सर्जनासाठी आणि त्यांच्या सभोवतालच्या हवेच्या गुणवत्तेसाठी जबाबदार आहेत. या युनिटमध्ये, तुम्ही हवेच्या गुणवत्तेचे मापदंड, मापन आणि मॉडेलिंग पद्धती, AI सह अंदाज आणि या सर्वांच्या मर्यादा शिकाल.
प्रथम संकल्पना. हवेची गुणवत्ता सामान्यत: अनेक प्रमुख प्रदूषकांवर मोजली जाते: PM2.5 आणि PM10 (2.5 आणि 10 मायक्रॉनपेक्षा लहान कण - श्वसन करण्यायोग्य धूळ), NO₂ (नायट्रोजन डायऑक्साइड — ज्वलनातून), SO₂ (सल्फर डायऑक्साइड), O₃ (ग्राउंड लेव्हल ओझोन), आणि कार. AQI (एअर क्वालिटी इंडेक्स) हा निर्देशांक आहे जो या प्रदूषकांना एकाच रंगीत/क्रमांकीत (चांगल्या-धोकादायक) मध्ये रूपांतरित करतो जे लोकांना समजू शकते. उत्सर्जन ही स्त्रोतापासून सोडलेली रक्कम आहे, तर एकाग्रता म्हणजे हवेतील एकाग्रता; दोघांमध्ये गोंधळ न करणे महत्वाचे आहे.
इशारा: उत्सर्जन (स्रोत पासून) आणि एकाग्रता (हवेत मोजली जाणारी) दोन भिन्न गोष्टी आहेत. वारा, तापमान आणि स्थलाकृतिमुळे समान उत्सर्जन खूप भिन्न प्रमाणात होते. "चिमणीतून कमी बाहेर येत आहे" असे म्हणण्याचा अर्थ "जवळची हवा स्वच्छ आहे" असा होत नाही.
मॉडेलिंग: उत्सर्जनापासून एकाग्रतेपर्यंत
चिमणीतून बाहेर पडणाऱ्या प्रदूषकाच्या एकाग्रतेची गणना जवळपासच्या शेजारच्या भागात होईल हे डिस्पर्शन मॉडेलिंगची बाब आहे. हे मॉडेल हवामानशास्त्र (वाऱ्याची दिशा/वेग, वातावरणातील स्थिरता) आणि स्थलाकृतिचा वापर करतात. शास्त्रीय मॉडेल (उदा. गॉसियन वितरण मॉडेल) भौतिकशास्त्रावर आधारित आहेत; AI चा वापर या मॉडेल्सला गती देण्यासाठी, आउटपुटचा अर्थ लावण्यासाठी आणि मोठ्या मापन डेटा सेट्समधून नमुने काढण्यासाठी केला जातो — परंतु भौतिकशास्त्र AI मध्ये फिट करणे धोकादायक आहे.
अंदाज: उद्याच्या हवामानाचा अंदाज
AI चे सर्वात मजबूत क्षेत्र अंदाज आहे: ऐतिहासिक मापन, हवामानशास्त्र आणि रहदारी डेटा वापरून उद्या किंवा काही तासांनंतर प्रदूषक पातळीचा अंदाज लावणारे मॉडेल तयार करणे. हे सार्वजनिक आरोग्य चेतावणी आणि सावधगिरीसाठी (उदा. रहदारी प्रतिबंध) मौल्यवान आहे. परंतु प्रत्येक अंदाजामध्ये अनिश्चितता असते आणि जेव्हा ते प्रशिक्षित केलेल्या परिस्थितीच्या बाहेर पडते तेव्हा मॉडेल चुकीचे असेल (उदाहरणार्थ, अनपेक्षित आग).
चरण-दर-चरण: हवेच्या गुणवत्तेचे विश्लेषण
1. प्रश्न आणि पॅरामीटर निवडा. कोणते प्रदूषक, कोणते स्थान, कोणत्या कालावधीसाठी?
2. डेटा स्रोत सत्यापित करा. संदर्भ स्टेशन किंवा कमी किमतीचा सेन्सर? कॅलिबर?
3. पूर्व-प्रक्रिया. गहाळ डेटा, सेन्सर ड्रिफ्ट, अत्यंत आउटलायर्स साफ करा.
4. AQI मध्ये रूपांतरित करा आणि थ्रेशोल्डशी तुलना करा. कायदेशीर मर्यादा ओलांडली आहे का?
5. मॉडेल/अंदाज. कल, हंगाम, भविष्यातील प्रक्षेपण.
6. अनिश्चितता नोंदवा. आत्मविश्वास अंतराल आणि मॉडेल मर्यादांसह नेहमी अंदाज सादर करा.
तीन लहान प्रकरणे
केस 1 - उत्सर्जन-एकाग्रता गोंधळ. एका सुविधेला हे घोषित करायचे होते की त्याने त्याचे स्टॅक उत्सर्जन 20% कमी केले आहे आणि म्हणून "शेजारची हवा 20% स्वच्छ आहे". त्या वेळी वाऱ्याची दिशा बदलली आणि एकाग्रतेवर प्रत्यक्षात हवामानशास्त्राचा परिणाम झाल्याचे तज्ज्ञाने दाखवून दिले; उत्सर्जन घट वास्तविक होती, परंतु एकाग्रतेचा दावा निराधार होता. विधान "आम्ही 20% ने स्टॅक उत्सर्जन कमी केले" इतकेच मर्यादित होते; पुराव्याशिवाय हवा दावा काढून टाकला.
केस 2 - सेन्सर कॅलिब्रेशन. एका शाळेला कमी किमतीच्या सेन्सरसह "धोकादायक PM2.5" अलर्ट प्राप्त झाला. जेव्हा तज्ञाने सेन्सरची तुलना जवळच्या संदर्भ स्टेशनशी केली तेव्हा त्याला आढळले की उच्च आर्द्रतेवर मूल्य फुगवले गेले आहे; आर्द्रता सुधारल्यानंतर, मूल्य "मध्यम" पातळीवर कमी झाले. कॅलिब्रेटेड सेन्सरमुळे घाबरू शकते. (हे पुन्हा एकदा दाखवते की प्रत्येक मापन क्षेत्रामध्ये सेन्सर कॅलिब्रेशन किती गंभीर आहे.)
केस 3 - अंदाज अनिश्चितता. एका नगरपालिकेने दुसऱ्या दिवशी त्याच्या AI अंदाज मॉडेलसह "उच्च प्रदूषण" चा इशारा दिला, परंतु एका अनपेक्षित वाळूच्या वादळाने हा अंदाज फोल ठरवला. संघाने पूर्वी अहवाल दिला होता की मॉडेल "नॉन-ट्रेनिंग डेटा इव्हेंटसाठी अविश्वसनीय" होते; म्हणून चेतावणी "शक्य" म्हणून सादर केली गेली आणि आत्मविश्वास कमी झाला नाही. अनिश्चितता स्पष्ट करणे म्हणजे भविष्यवाणीचा जबाबदार वापर.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत प्रॉम्प्ट:
या हवामान डेटासह उद्याचा अंदाज लावा.
ते कमकुवत का आहे: पॅरामीटर्स, स्थान, डेटा गुणवत्ता, मॉडेल प्रकार आणि अनिश्चिततेची मागणी नाही. आउटपुट एकच संख्या असेल, त्याची विश्वासार्हता अज्ञात आहे.
शक्तिशाली सूचना:
तुमची भूमिका: हवा गुणवत्ता डेटा वैज्ञानिक. खालील PM2.5 तासाचा डेटा आणि हवामानशास्त्र (वारा, आर्द्रता, तापमान) सह, पुढील 24 तासांसाठी पायथनमध्ये एक साधे अंदाज मॉडेल (उदा. ग्रेडियंट बूस्टिंग) सेट करा. पायऱ्या: (१) डेटा क्लीनिंग आणि सेन्सर ड्रिफ्ट कंट्रोल, (२) फीचर तयार करणे, (३) मॉडेल, (४) कॉन्फिडन्स इंटरव्हलसह अंदाज देणे. मॉडेलच्या मर्यादा स्पष्टपणे सांगा (शैक्षणिक नसलेल्या परिस्थितीत अविश्वसनीयता). डेटा: [येथे]
चार कॉपी करण्यायोग्य टेम्पलेट्स
1) एअर डेटा क्लीनिंग + AQI:
पायथन (अंडरशूट, स्टक, ड्रिफ्ट, ओव्हरशूट) सह खालील हवेच्या गुणवत्तेचे मोजमाप साफ करा आणि त्यांना मानक AQI मध्ये रूपांतरित करा. तुम्ही कोणते AQI सूत्र वापरता ते निर्दिष्ट करा; फिटिंग कायदेशीर मर्यादा ओलांडणारे तास चिन्हांकित करा. डेटा: [येथे]
2) उत्सर्जन वि एकाग्रता फरक:
खालील दावा तपासा: हे उत्सर्जन (स्रोत पासून) किंवा एकाग्रता (हवेत मोजले) बद्दल आहे? या दोघांना गोंधळात टाकणारे भाग हायलाइट करा किंवा हवामानशास्त्राकडे दुर्लक्ष करा आणि पुराव्याच्या आधारे मोजमाप केलेले पुनर्विचार सुचवा. दावा: [येथे]
3) अंदाज मॉडेल (अनिश्चिततेसह):
तुमची भूमिका: डेटा सायंटिस्ट. खालील वेळ मालिकेसह [प्रदूषक] साठी अल्प-मुदतीचे अंदाज मॉडेल (पायथन) तयार करा. प्रत्येक अंदाज त्याच्या आत्मविश्वास मध्यांतराने द्या. कोणत्या परिस्थितीत (गैर-प्रशिक्षण कार्यक्रम, अत्यंत हवामान) मॉडेल अविश्वसनीय असेल ते स्पष्टपणे लिहा. अती आशावादी सत्याचा दावा FAKE.Data: [येथे]
4) संसाधन योगदान सारांश:
खाली दिलेल्या हवेच्या गुणवत्तेवरून आणि वाऱ्याच्या डेटावरून, उच्च प्रदूषणाच्या वेळी वारा कोणत्या दिशेकडून येत आहे याचे विश्लेषण करा जेणेकरून संभाव्य स्त्रोताच्या दिशेचा अंदाज येईल. "हा स्त्रोत आहे" असे सरळपणे म्हणू नका; ऑफर संभाव्यता आणि सत्यापन. डेटा: [येथे]
सामान्य चुका
- एकाग्रतेसह गोंधळात टाकणारे उत्सर्जन. चिमणी कमी होणे म्हणजे हवेतील स्वच्छता नाही.
- अनकॅलिब्रेटेड सेन्सरवर अवलंबून. आर्द्रता आणि प्रवाह मूल्ये वाढवतात.
- अनिश्चिततेशिवाय अंदाज सादर करणे. प्रत्येक अंदाज आत्मविश्वास मध्यांतराने दिला पाहिजे.
- AI सह भौतिकशास्त्र फिट करणे. वितरण मॉडेलला भौतिकशास्त्र आवश्यक आहे; एलएलएमचे "अंदाज" हे भौतिकशास्त्र नाही.
- कायदेशीर थ्रेशोल्ड लक्षात ठेवणे. कायद्यातील मर्यादा मूल्ये घ्या.
खबरदारी: हवेच्या गुणवत्तेचे दावे सार्वजनिक आरोग्याशी संबंधित आहेत. खोटा "स्वच्छ" दावा लोकांना धोका देतो; एक निराधार "गलिच्छ" अलार्म अनावश्यक दहशत आणि आर्थिक नुकसान निर्माण करतो. कॅलिब्रेटेड डेटा, योग्य मॉडेल आणि स्पष्ट अनिश्चिततेसह प्रत्येक दाव्यास समर्थन द्या.
सारांशात
हवेची गुणवत्ता; यासाठी एकाग्रतेपासून उत्सर्जन वेगळे करणे, मोजमाप मोजणे, योग्य मॉडेलिंग आणि अनिश्चिततेसह सादर केलेले अंदाज आवश्यक आहेत. AI; डेटा क्लीनिंग, पॅटर्न एक्सट्रॅक्शन आणि अल्प-मुदतीच्या अंदाजामध्ये हे शक्तिशाली आहे. परंतु भौतिकशास्त्र-आधारित वितरण, सेन्सर कॅलिब्रेशन, कायदेशीर मर्यादा आणि अनिश्चिततेचे प्रामाणिक अहवाल तज्ञांचे आहेत. चिमणीवरचा नंबर शेजारच्या हवेच्या सारखा नाही.
अर्ज कार्य
स्थानासाठी काल्पनिक ताशी PM2.5 आणि हवामानविषयक डेटा तयार करा. 1ल्या टेम्प्लेटसह, AI ला डेटा क्लीन करा, तो AQI मध्ये रूपांतरित करा आणि थ्रेशोल्ड ओलांडण्याची चिन्हांकित करा. नंतर 3ऱ्या टेम्प्लेटसह एक अल्प-मुदतीचा अंदाज मॉडेल तयार करा आणि प्रत्येक अंदाज आत्मविश्वासाच्या अंतरासह येतो याची खात्री करा. शेवटी, टेम्प्लेट 2 सह उत्सर्जन/एकाग्रतेसाठी तुमच्या हवेच्या गुणवत्तेच्या दाव्याचे ऑडिट करा.
चेकलिस्ट
- मी उत्सर्जन आणि एकाग्रता यातील फरक योग्यरित्या केला आहे.
- मी कॅलिब्रेशन आणि ड्रिफ्टसाठी सेन्सर डेटा तपासला.
- मला योग्य सूत्र/कायद्यातून AQI आणि थ्रेशोल्ड मिळाले.
- [ ] मी आत्मविश्वास मध्यांतर आणि मॉडेल मर्यादेसह अंदाज सादर केले.
- [] वितरण/भौतिकशास्त्र आवश्यक असलेले भाग AI चे रुपांतर माझ्याकडे नव्हते.
- [ ] मी पुराव्यासह सार्वजनिक आरोग्य दाव्यांचे समर्थन केले.