Gevinster:
- Evne til å skille mellom utslipp (fra kilden) og konsentrasjon (målt i luft) og konvertere de kalibrerte dataene til AQI og sammenligne dem med terskler
- Evne til å bygge en kortsiktig forurensningsprediksjonsmodell og presentere hver prediksjon ærlig med konfidensintervaller og modellgrenser
- Evne til å støtte folkehelsepåstander med bevis uten å ha kunstig intelligens tilpasse deler som krever distribusjon/fysikk
Luftforurensning er usynlig, men dødelig: den forårsaker millioner av for tidlige dødsfall hvert år og er sammenvevd med klimaendringer. Institusjoner er ansvarlige for både egne stabelutslipp og luftkvaliteten rundt dem. I denne enheten vil du lære luftkvalitetsparametere, måle- og modelleringsmetoder, prediksjon med AI og grensene for alle disse.
Konsepter først. Luftkvaliteten måles vanligvis på flere hovedforurensninger: PM2,5 og PM10 (partikler mindre enn 2,5 og 10 mikron – respirabelt støv), NO₂ (nitrogendioksid – fra forbrenning), SO₂ (svoveldioksid), O₃ (bakkenivå ozon) og CO (karbonmonoksid). AQI (Air Quality Index) er indeksen som konverterer disse forurensningene til en enkelt farget/nummerert skala (bra-farlig) som publikum kan forstå. Utslipp er mengden som frigjøres fra kilden, mens konsentrasjon er konsentrasjonen i luften; Det er viktig å ikke forveksle de to.
Hint: Emisjon (fra kilden) og konsentrasjon (målt i luft) er to forskjellige ting. Vind, temperatur og topografi fører til at samme utslipp gir svært forskjellige konsentrasjoner. Å si "det kommer mindre ut av skorsteinen" betyr ikke "luften i nærheten er ren".
Modellering: fra utslipp til konsentrasjon
Å beregne konsentrasjonen av en forurensning som kommer ut av en skorstein vil nå et nærliggende nabolag er et spørsmål om spredningsmodellering. Disse modellene bruker meteorologi (vindretning/-hastighet, atmosfærisk stabilitet) og topografi. Klassiske modeller (f.eks. Gaussisk distribusjonsmodell) er fysikkbaserte; AI brukes til å akselerere disse modellene, tolke utdataene og trekke ut mønstre fra store måledatasett - men det er farlig å "få" fysikk til å passe inn i AI.
Værmelding: forutsi morgendagens vær
AIs sterkeste felt er prognoser: bygge modeller som forutsier forurensningsnivåer i morgen eller noen timer senere, ved hjelp av historiske målinger, meteorologi og trafikkdata. Dette er verdifullt for folkehelseadvarsler og forholdsregler (f.eks. trafikkrestriksjoner). Men hver prediksjon har usikkerhet, og modellen vil være feil når den faller utenfor forholdene den ble trent på (for eksempel en uventet brann).
Trinn for trinn: en luftkvalitetsanalyse
1. Velg spørsmålet og parameteren. Hvilken forurensning, hvilken plassering, i hvilken varighet?
2. Bekreft datakilden. Referansestasjon eller lavprissensor? Kaliber?
3. Forprosess. Rydd opp manglende data, sensordrift, ekstreme uteliggere.
4. Konverter til AQI og sammenlign med terskel. Er den lovlige grensen overskredet?
5. Modellere/forutsi. Trend, sesongvariasjoner, fremtidsprognose.
6. Rapporter usikkerhet. Presenter alltid estimater med konfidensintervaller og modellgrenser.
tre minisaker
Tilfelle 1 – Forvirring av utslippskonsentrasjon. Ett anlegg ønsket å kunngjøre at det hadde redusert stabelutslippene sine med 20 % og derfor var «nabolagsluften 20 % renere». Eksperten viste at vindretningen endret seg på det tidspunktet og konsentrasjonen var faktisk påvirket av meteorologi; Utslippsreduksjonen var reell, men konsentrasjonspåstanden var ubegrunnet. Uttalelsen var begrenset til "vi reduserte stabelutslippene med 20%"; Luftkrav uten bevis fjernet.
Tilfelle 2 — Sensorkalibrering. En skole mottok et "farlig PM2.5"-varsel med en lavprissensor. Da eksperten sammenlignet sensoren med en referansestasjon i nærheten, fant han ut at verdien ble blåst opp ved høy luftfuktighet; Etter fuktighetskorreksjon sank verdien til "middels" nivå. En ukalibrert sensor kan forårsake panikk. (Dette viser nok en gang hvor kritisk sensorkalibrering er i hvert måleområde.)
Case 3 — Prognoseusikkerhet. En kommune advarte om "høy forurensning" dagen etter med sin AI-prognosemodell, men en uventet sandstorm hindret prognosen. Teamet hadde tidligere rapportert at modellen var "upålitelig for ikke-treningsdatahendelser"; derfor ble advarselen presentert som "mulig" og det var ingen tap av tillit. Å gjøre usikkerhet tydelig er ansvarlig bruk av prediksjon.
Svak forespørsel / Sterk forespørsel
Svak melding:
Forutsi morgendagen med disse værdataene.
Hvorfor det er svakt: Ingen krav til parametere, plassering, datakvalitet, modelltype og usikkerhet. Utgangen vil være et enkelt tall, dets pålitelighet ukjent.
Kraftig ledetekst:
Din rolle: dataforsker for luftkvalitet. Med følgende PM2.5 timedata og meteorologi (vind, fuktighet, temperatur), sett opp en enkel prognosemodell (f.eks. gradientforsterkning) i Python for de neste 24 timene. Trinn: (1) datarensing og sensordriftkontroll, (2) funksjonsforberedelse, (3) modell, (4) gi spådommer med konfidensintervall. Angi tydelig begrensningene til modellen (upålitelighet i ikke-pedagogiske situasjoner). Data: [her]
Fire kopierbare maler
1) Rensing av luftdata + AQI:
Rydd opp i følgende luftkvalitetsmålinger med Python (undershoot, stuck, drift, overshoot) og konverter dem til standard AQI. Spesifiser hvilken AQI-formel du bruker; montering. Merk timer som overskrider den lovlige terskelen. Data: [her]
2) Skille mellom utslipp og konsentrasjon:
Sjekk følgende påstand: handler det om utslipp (fra kilden) eller konsentrasjon (målt i luft)? Fremhev delene som forvirrer de to eller ignorer meteorologi og foreslå en målt omformulering basert på bevis. Krav: [her]
3) Prediksjonsmodell (med usikkerhet):
Din rolle: dataforsker. Bygg en kortsiktig prognosemodell (Python) for [forurensning] med følgende tidsserier. Gi hver prediksjon med sitt konfidensintervall. Skriv tydelig under hvilke forhold (ikke-treningsarrangement, ekstremvær) modellen ville være upålitelig. Altfor optimistisk sannhetspåstand FAKE.Data: [her]
4) Oppsummering av ressursbidrag:
Fra luftkvalitets- og vinddataene nedenfor, analyser hvilken retning vinden kommer fra i timer med høy forurensning for å gi en pekepinn om mulig kilderetning. Ikke si "dette er kilden" rett ut; Tilby sannsynlighet og verifisering. Data: [her]
Vanlige feil
- Forveksler utslipp med konsentrasjon. En nedgang i skorsteinen betyr ikke renhet i luften.
- Stoler på en ukalibrert sensor. Fuktighet og drift blåser opp verdiene.
- Presentere estimatet uten usikkerhet. Hvert estimat bør gis med et konfidensintervall.
- Få fysikk til å passe med AI. Fordelingsmodellen krever fysikk; "spådommen" til LLM er ikke fysikk.
- Husk lovlige terskler. Ta grenseverdiene fra lovverket.
Forsiktig: Luftkvalitetspåstander angår folkehelsen. En falsk "ren" påstand setter folk i fare; En ubegrunnet "skitten" alarm skaper unødvendig panikk og økonomisk skade. Støtt hvert krav med kalibrerte data, passende modell og klar usikkerhet.
Oppsummert
Luftkvalitet; Det krever å skille utslipp fra konsentrasjon, kalibrerende måling, passende modellering og prediksjon presentert med usikkerhet. AI; Den er kraftig innen datarensing, mønsterutvinning og kortsiktig prognose. Men fysikkbasert distribusjon, sensorkalibrering, lovlige terskler og ærlig rapportering av usikkerhet tilhører eksperten. Tallet på skorsteinen er ikke det samme som luften i nabolaget.
Søknadsoppgave
Forbered hypotetiske timebaserte PM2.5 og meteorologiske data for et sted. Med den første malen, få AI til å rense dataene, konvertere dem til AQI og merke terskeloverskridelser. Bygg deretter en kortsiktig prognosemodell med den 3. malen og sørg for at hver prognose kommer med et konfidensintervall. Til slutt, få luftkvalitetskravet ditt revidert for utslipp/konsentrasjon med mal 2.
sjekkliste
- [ ] Jeg gjorde forskjellen mellom utslipp og konsentrasjon riktig.
- [ ] Jeg sjekket sensordataene for kalibrering og drift.
- [ ] Jeg fikk AQI og terskler fra riktig formel/lovgivning.
- [ ] Jeg presenterte estimatene med konfidensintervall og modellgrense.
- [ ] Jeg hadde ikke AI til å tilpasse delene som krevde distribusjon/fysikk.
- [ ] Jeg støttet folkehelsepåstander med bevis.