Keuntungan:
- Keupayaan untuk membezakan antara pelepasan (dari sumber) dan kepekatan (diukur dalam udara) dan menukar data yang ditentukur kepada AQI dan membandingkannya dengan ambang
- Keupayaan untuk membina model ramalan pencemaran jangka pendek dan membentangkan setiap ramalan secara jujur dengan selang keyakinan dan had model
- Keupayaan untuk menyokong tuntutan kesihatan awam dengan bukti tanpa mempunyai kecerdasan buatan menyesuaikan bahagian yang memerlukan pengedaran/fizik
Pencemaran udara tidak kelihatan tetapi boleh membawa maut: ia menyebabkan berjuta-juta kematian pramatang setiap tahun dan berkait rapat dengan perubahan iklim. Institusi bertanggungjawab untuk kedua-dua pelepasan timbunan mereka sendiri dan kualiti udara di sekeliling mereka. Dalam unit ini, anda akan mempelajari parameter kualiti udara, kaedah pengukuran dan pemodelan, ramalan dengan AI dan had semua ini.
Konsep dahulu. Kualiti udara biasanya diukur pada beberapa bahan pencemar utama: PM2.5 dan PM10 (bahan zarah lebih kecil daripada 2.5 dan 10 mikron — habuk yang boleh disedut), NO₂ (nitrogen dioksida — daripada pembakaran), SO₂ (sulfur dioksida), O₃ (ozon aras tanah), dan CO (karbon monoksida). AQI (Indeks Kualiti Udara) ialah indeks yang menukarkan bahan pencemar ini kepada satu skala berwarna/bernombor (baik-bahaya) yang boleh difahami oleh orang ramai. Pelepasan ialah jumlah yang dibebaskan daripada sumber, manakala kepekatan ialah kepekatan di udara; Adalah penting untuk tidak mengelirukan kedua-duanya.
Petunjuk: Pelepasan (dari sumber) dan kepekatan (diukur dalam udara) adalah dua perkara yang berbeza. Angin, suhu dan topografi menyebabkan pelepasan yang sama menghasilkan kepekatan yang sangat berbeza. Mengatakan "kurang keluar dari cerobong" tidak bermakna "udara berhampiran bersih".
Pemodelan: dari pelepasan kepada kepekatan
Mengira kepekatan bahan pencemar yang keluar dari cerobong asap akan sampai ke kawasan kejiranan berdekatan adalah soal pemodelan serakan. Model ini menggunakan meteorologi (arah/kelajuan angin, kestabilan atmosfera) dan topografi. Model klasik (cth. model pengedaran Gaussian) adalah berasaskan fizik; AI digunakan untuk mempercepatkan model ini, mentafsir output dan mengekstrak corak daripada set data ukuran besar — tetapi berbahaya untuk "membuat" fizik sesuai dengan AI.
Ramalan: meramal cuaca esok
Bidang terkuat AI ialah ramalan: membina model yang meramalkan tahap pencemar esok atau beberapa jam kemudian, menggunakan pengukuran sejarah, meteorologi dan data trafik. Ini berharga untuk amaran dan langkah berjaga-jaga kesihatan awam (cth. sekatan lalu lintas). Tetapi setiap ramalan mempunyai ketidakpastian, dan model akan menjadi salah apabila ia berada di luar keadaan yang dilatih (contohnya, kebakaran yang tidak dijangka).
Langkah demi langkah: analisis kualiti udara
1. Pilih soalan dan parameter. Bahan pencemar mana, lokasi mana, untuk tempoh berapa?
2. Sahkan sumber data. Stesen rujukan atau penderia kos rendah? berkaliber?
3. Pra-proses. Bersihkan data yang hilang, drift sensor, outlier melampau.
4. Tukar kepada AQI dan bandingkan dengan ambang. Adakah melebihi had undang-undang?
5. Model/ramalan. Trend, bermusim, unjuran masa hadapan.
6. Laporkan ketidakpastian. Sentiasa kemukakan anggaran dengan selang keyakinan dan had model.
tiga kes mini
Kes 1 — Kekeliruan kepekatan pelepasan. Satu kemudahan ingin mengumumkan bahawa ia telah mengurangkan pelepasan timbunannya sebanyak 20% dan oleh itu "udara kejiranan adalah 20% lebih bersih". Pakar menunjukkan bahawa arah angin berubah pada masa itu dan kepekatan sebenarnya dipengaruhi oleh meteorologi; Pengurangan pelepasan adalah nyata, tetapi tuntutan kepekatan itu tidak berasas. Kenyataan itu terhad kepada "kami mengurangkan pelepasan tindanan sebanyak 20%"; Tuntutan udara tanpa bukti dikeluarkan.
Kes 2 — Penentukuran sensor. Sebuah sekolah menerima amaran "PM2.5 berbahaya" dengan penderia kos rendah. Apabila pakar membandingkan sensor dengan stesen rujukan berdekatan, dia mendapati bahawa nilai itu melambung pada kelembapan yang tinggi; Selepas pembetulan kelembapan, nilai menurun ke tahap "sederhana". Penderia yang tidak ditentukur boleh menyebabkan panik. (Ini sekali lagi menunjukkan betapa kritikal penentukuran sensor dalam setiap kawasan pengukuran.)
Kes 3 — Ramalan ketidakpastian. Sebuah majlis perbandaran memberi amaran tentang "pencemaran tinggi" pada hari berikutnya dengan model ramalan AInya, tetapi ribut pasir yang tidak dijangka menggagalkan ramalan itu. Pasukan itu sebelum ini melaporkan bahawa model itu "tidak boleh dipercayai untuk acara data bukan latihan"; oleh itu amaran itu dibentangkan sebagai "mungkin" dan tidak ada kehilangan keyakinan. Menjelaskan ketidakpastian ialah penggunaan ramalan yang bertanggungjawab.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Ramalkan esok dengan data cuaca ini.
Mengapa ia lemah: Tiada permintaan untuk parameter, lokasi, kualiti data, jenis model dan ketidakpastian. Output akan menjadi satu nombor, kebolehpercayaannya tidak diketahui.
Gesaan kuat:
Peranan anda: saintis data kualiti udara. Dengan data PM2.5 setiap jam dan meteorologi (angin, kelembapan, suhu), sediakan model ramalan mudah (cth. peningkatan kecerunan) dalam Python untuk 24 jam seterusnya. Langkah: (1) pembersihan data dan kawalan drift sensor, (2) penyediaan ciri, (3) model, (4) memberi ramalan dengan selang keyakinan. Nyatakan dengan jelas batasan model (tidak boleh dipercayai dalam situasi bukan pendidikan). Data: [di sini]
Empat templat yang boleh disalin
1) Pembersihan data udara + AQI:
Bersihkan ukuran kualiti udara berikut dengan Python (undershoot, stuck, drift, overshoot) dan tukarkannya kepada AQI standard. Nyatakan formula AQI yang anda gunakan; sesuai. Tandai jam yang melebihi ambang undang-undang. Data: [di sini]
2) Perbezaan pelepasan vs kepekatan:
Semak tuntutan berikut: adakah ia mengenai pelepasan (dari sumber) atau kepekatan (diukur dalam udara)? Serlahkan bahagian yang mengelirukan kedua-duanya atau abaikan meteorologi dan cadangkan pernyataan semula yang diukur berdasarkan bukti. Tuntutan: [di sini]
3) Model ramalan (dengan ketidakpastian):
Peranan anda: saintis data. Bina model ramalan jangka pendek (Python) untuk [pencemar] dengan siri masa berikut. Berikan setiap ramalan dengan selang keyakinannya. Tulis dengan jelas dalam keadaan apa (peristiwa bukan latihan, cuaca ekstrem) model itu tidak boleh dipercayai. Tuntutan kebenaran yang terlalu optimistik adalah PALSU. Data: [di sini]
4) Ringkasan sumbangan sumber:
Daripada kualiti udara dan data angin di bawah, analisa arah mana angin datang semasa waktu pencemaran tinggi untuk memberi petunjuk tentang arah sumber yang mungkin. Jangan nyatakan "ini sumbernya"; Menawarkan kebarangkalian dan pengesahan. Data: [di sini]
Kesilapan biasa
- Mengelirukan pelepasan dengan tumpuan. Penurunan dalam cerobong tidak bermakna kebersihan di udara.
- Bergantung pada sensor yang tidak ditentukur. Kelembapan dan hanyut mengembang nilai.
- Membentangkan anggaran tanpa ketidakpastian. Setiap anggaran hendaklah diberikan dengan selang keyakinan.
- Menjadikan fizik sesuai dengan AI. Model pengedaran memerlukan fizik; "Ramalan" LLM bukanlah fizik.
- Mengingati ambang undang-undang. Ambil nilai had daripada undang-undang.
Awas: Tuntutan kualiti udara membimbangkan kesihatan awam. Tuntutan "bersih" palsu meletakkan orang dalam risiko; Penggera "kotor" yang tidak berasas menimbulkan panik yang tidak perlu dan kerosakan ekonomi. Sokong setiap tuntutan dengan data yang ditentukur, model yang sesuai dan ketidakpastian yang jelas.
Secara ringkasnya
Kualiti udara; Ia memerlukan pengasingan pelepasan daripada kepekatan, penentukuran ukuran, pemodelan yang sesuai dan ramalan yang dibentangkan dengan ketidakpastian. AI; Ia berkuasa dalam pembersihan data, pengekstrakan corak dan ramalan jangka pendek. Tetapi pengedaran berasaskan fizik, penentukuran penderia, ambang undang-undang, dan pelaporan ketidakpastian yang jujur adalah milik pakar. Nombor pada cerobong asap tidak sama dengan udara di kawasan kejiranan.
Tugasan permohonan
Sediakan data PM2.5 dan meteorologi hipotetikal setiap jam untuk lokasi. Dengan templat pertama, minta AI membersihkan data, tukarkannya kepada AQI, dan tandakan melebihi ambang. Kemudian bina model ramalan jangka pendek dengan templat ke-3 dan pastikan setiap ramalan disertakan dengan selang keyakinan. Akhir sekali, minta tuntutan kualiti udara anda diaudit untuk pelepasan/kepekatan dengan templat 2.
senarai semak
- [ ] Saya membuat perbezaan antara pelepasan dan kepekatan dengan betul.
- [ ] Saya menyemak data penderia untuk penentukuran dan drift.
- [ ] Saya mendapat AQI dan ambang daripada formula/perundangan yang betul.
- [ ] Saya membentangkan anggaran dengan selang keyakinan dan had model.
- [ ] Saya tidak mempunyai AI menyesuaikan bahagian yang memerlukan pengedaran/fizik.
- [ ] Saya menyokong tuntutan kesihatan awam dengan bukti.