Winst:
- Mogelijkheid om onderscheid te maken tussen emissies (vanaf de bron) en concentratie (gemeten in de lucht) en de gekalibreerde gegevens om te zetten in AQI en deze te vergelijken met drempelwaarden
- Mogelijkheid om een model voor voorspelling van vervuiling op de korte termijn te bouwen en elke voorspelling eerlijk te presenteren met betrouwbaarheidsintervallen en modellimieten
- Mogelijkheid om beweringen over de volksgezondheid te ondersteunen met bewijsmateriaal zonder dat kunstmatige intelligentie onderdelen hoeft aan te passen die distributie/fysica vereisen
Luchtverontreiniging is onzichtbaar maar dodelijk: zij veroorzaakt jaarlijks miljoenen voortijdige sterfgevallen en is verweven met de klimaatverandering. Instellingen zijn verantwoordelijk voor zowel hun eigen schoorsteenemissies als de luchtkwaliteit om hen heen. In deze unit leer je luchtkwaliteitsparameters, meet- en modelleringsmethoden, voorspellingen met AI en de grenzen van dit alles.
Concepten eerst. De luchtkwaliteit wordt over het algemeen gemeten op basis van verschillende belangrijke verontreinigende stoffen: PM2,5 en PM10 (fijnstof kleiner dan 2,5 en 10 micron – inadembaar stof), NO₂ (stikstofdioxide – afkomstig van verbranding), SO₂ (zwaveldioxide), O₃ (ozon op grondniveau) en CO (koolmonoxide). AQI (Air Quality Index) is de index die deze verontreinigende stoffen omzet in een enkele gekleurde/genummerde schaal (goed-gevaarlijk) die het publiek kan begrijpen. Emissie is de hoeveelheid die vrijkomt uit de bron, terwijl concentratie de concentratie in de lucht is; Het is van cruciaal belang om de twee niet te verwarren.
Tip: Emissie (van de bron) en concentratie (gemeten in de lucht) zijn twee verschillende dingen. Wind, temperatuur en topografie zorgen ervoor dat dezelfde emissie resulteert in zeer verschillende concentraties. Zeggen dat er minder uit de schoorsteen komt, betekent niet dat de lucht in de buurt schoon is.
Modellering: van emissie naar concentratie
Het berekenen van de concentratie van een verontreinigende stof die uit een schoorsteen komt en een nabijgelegen buurt zal bereiken, is een kwestie van dispersiemodellering. Deze modellen maken gebruik van meteorologie (windrichting/snelheid, atmosferische stabiliteit) en topografie. Klassieke modellen (bijv. het Gaussiaanse distributiemodel) zijn op de natuurkunde gebaseerd; AI wordt gebruikt om deze modellen te versnellen, de output te interpreteren en patronen te extraheren uit grote sets meetgegevens – maar het is gevaarlijk om de natuurkunde in AI te ‘passen’.
Voorspelling: het voorspellen van het weer van morgen
Het sterkste vakgebied van AI is voorspellen: het bouwen van modellen die de vervuilende niveaus morgen of een paar uur later voorspellen, met behulp van historische metingen, meteorologie en verkeersgegevens. Dit is waardevol voor waarschuwingen en voorzorgsmaatregelen op het gebied van de volksgezondheid (bijvoorbeeld verkeersbeperkingen). Maar elke voorspelling heeft onzekerheid, en het model zal fout zijn als het buiten de omstandigheden valt waarop het is getraind (bijvoorbeeld een onverwachte brand).
Stap voor stap: een luchtkwaliteitsanalyse
1. Selecteer de vraag en parameter. Welke verontreinigende stof, welke locatie, voor welke duur?
2. Controleer de gegevensbron. Referentiestation of goedkope sensor? Kaliber?
3. Voorbewerking. Ruim ontbrekende gegevens, sensordrift en extreme uitschieters op.
4. Converteren naar AQI en vergelijken met drempelwaarde. Wordt de wettelijke limiet overschreden?
5. Modelleren/voorspellen. Trend, seizoensinvloeden, toekomstprojectie.
6. Rapporteer onzekerheid. Presenteer schattingen altijd met betrouwbaarheidsintervallen en modellimieten.
drie minikoffers
Geval 1 — Verwarring van emissieconcentratie. Eén faciliteit wilde aankondigen dat zij de uitstoot van haar schoorstenen met 20% had verminderd en dat daarom "de lucht in de buurt 20% schoner was". De deskundige toonde aan dat de windrichting op dat moment veranderde en dat de concentratie daadwerkelijk door de meteorologie werd beïnvloed; De emissiereductie was reëel, maar de claim van de concentratie was niet onderbouwd. De verklaring beperkte zich tot "we hebben de emissies van de schoorsteen met 20% verminderd"; Luchtclaim zonder bewijs verwijderd.
Geval 2 — Sensorkalibratie. Een school ontving een waarschuwing "gevaarlijke PM2.5" met een goedkope sensor. Toen de expert de sensor vergeleek met een nabijgelegen referentiestation, ontdekte hij dat de waarde te hoog was bij hoge luchtvochtigheid; Na vochtcorrectie daalde de waarde naar het "gemiddelde" niveau. Een niet-gekalibreerde sensor kan paniek veroorzaken. (Dit laat eens te meer zien hoe kritisch de sensorkalibratie is in elk meetgebied.)
Geval 3 — Onzekerheid over de prognoses. Een gemeente waarschuwde de volgende dag met haar AI-voorspellingsmodel voor "hoge vervuiling", maar een onverwachte zandstorm verijdelde de voorspelling. Het team had eerder gemeld dat het model “onbetrouwbaar was voor niet-trainingsgegevensgebeurtenissen”; daarom werd de waarschuwing als "mogelijk" gepresenteerd en was er geen sprake van verlies van vertrouwen. Onzekerheid duidelijk maken is het verantwoorde gebruik van voorspellingen.
Zwakke prompt/sterke prompt
Zwakke prompt:
Voorspel morgen met deze weergegevens.
Waarom het zwak is: geen vraag naar parameters, locatie, datakwaliteit, modeltype en onzekerheid. De uitvoer zou één enkel getal zijn, waarvan de betrouwbaarheid onbekend is.
Krachtige prompt:
Jouw rol: datawetenschapper luchtkwaliteit. Zet met de volgende PM2,5-uurgegevens en meteorologie (wind, vochtigheid, temperatuur) een eenvoudig voorspellingsmodel (bijvoorbeeld gradiëntversterking) op in Python voor de komende 24 uur. Stappen: (1) gegevensopschoning en sensordriftcontrole, (2) voorbereiding van functies, (3) modelleren, (4) voorspellingen geven met betrouwbaarheidsinterval. Geef duidelijk de beperkingen van het model aan (onbetrouwbaarheid in niet-educatieve situaties). Gegevens: [hier]
Vier kopieerbare sjablonen
1) Luchtgegevensreiniging + AQI:
Ruim de volgende luchtkwaliteitsmetingen op met Python (undershoot, vast, drift, overshoot) en converteer ze naar standaard AQI. Geef aan welke AQI-formule u gebruikt; passend. Markeer uren die de wettelijke drempel overschrijden. Gegevens: [hier]
2) Onderscheid tussen emissie en concentratie:
Controleer de volgende claim: gaat het over emissies (vanaf de bron) of concentratie (gemeten in lucht)? Benadruk de onderdelen die de twee verwarren of negeer de meteorologie en stel een afgemeten herformulering voor op basis van bewijsmateriaal. Claim: [hier]
3) Voorspellingsmodel (met onzekerheid):
Jouw rol: datawetenschapper. Bouw een kortetermijnvoorspellingsmodel (Python) voor [verontreinigende stof] met de volgende tijdreeksen. Geef elke voorspelling met zijn betrouwbaarheidsinterval. Schrijf duidelijk onder welke omstandigheden (niet-trainingsevenement, extreem weer) het model onbetrouwbaar zou zijn. Overdreven optimistische waarheidsclaim FAKE.Data: [hier]
4) Samenvatting van de bijdrage van de middelen:
Analyseer aan de hand van de onderstaande luchtkwaliteit- en windgegevens uit welke richting de wind komt tijdens uren met veel vervuiling, om een idee te krijgen van de mogelijke bronrichting. Zeg niet ronduit 'dit is de bron'; Bied waarschijnlijkheid en verificatie aan. Gegevens: [hier]
Veel voorkomende fouten
- Verwarring van emissie met concentratie. Een afname van de schoorsteen betekent niet dat de lucht zuiver is.
- Vertrouwen op een niet-gekalibreerde sensor. Vochtigheid en drift verhogen de waarden.
- Het presenteren van de schatting zonder onzekerheid. Elke schatting moet met een betrouwbaarheidsinterval worden gegeven.
- Fysica geschikt maken voor AI. Het distributiemodel vereist natuurkunde; De "voorspelling" van de LLM is geen natuurkunde.
- Wettelijke drempels onthouden. Neem de grenswaarden uit de wetgeving.
Let op: claims over de luchtkwaliteit hebben betrekking op de volksgezondheid. Een valse ‘schone’ claim brengt mensen in gevaar; Een ongegrond ‘vies’ alarm veroorzaakt onnodige paniek en economische schade. Ondersteun elke claim met gekalibreerde gegevens, het juiste model en duidelijke onzekerheid.
Samengevat
Luchtkwaliteit; Het vereist het scheiden van emissie en concentratie, het kalibreren van metingen, passende modellering en voorspellingen gepresenteerd met onzekerheid. AI; Het is krachtig bij het opschonen van gegevens, patroonextractie en kortetermijnvoorspellingen. Maar op fysica gebaseerde distributie, sensorkalibratie, wettelijke drempels en eerlijke rapportage van onzekerheid behoren tot de expert. Het getal op de schoorsteen is niet hetzelfde als de lucht in de buurt.
Applicatie taak
Bereid hypothetische PM2,5-uurgegevens en meteorologische gegevens voor een locatie voor. Laat de AI met het eerste sjabloon de gegevens opschonen, converteren naar AQI en drempeloverschrijdingen markeren. Bouw vervolgens een kortetermijnvoorspellingsmodel met het derde sjabloon en zorg ervoor dat elke voorspelling een betrouwbaarheidsinterval bevat. Laat ten slotte uw luchtkwaliteitsclaim controleren op emissies/concentratie met sjabloon 2.
controlelijst
- [ ] Ik heb het onderscheid tussen emissie en concentratie correct gemaakt.
- [ ] Ik heb de sensorgegevens gecontroleerd op kalibratie en drift.
- [ ] Ik heb de AQI en drempelwaarden uit de juiste formule/wetgeving gehaald.
- [ ] Ik heb de schattingen gepresenteerd met betrouwbaarheidsinterval en modellimiet.
- [ ] Ik heb de AI niet de onderdelen laten aanpassen die distributie/fysica vereisten.
- [ ] Ik ondersteunde volksgezondheidsclaims met bewijsmateriaal.