ਲਾਭ:
- ਨਿਕਾਸ (ਸਰੋਤ ਤੋਂ) ਅਤੇ ਇਕਾਗਰਤਾ (ਹਵਾ ਵਿੱਚ ਮਾਪਿਆ ਗਿਆ) ਵਿਚਕਾਰ ਫਰਕ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਕੈਲੀਬਰੇਟ ਕੀਤੇ ਡੇਟਾ ਨੂੰ AQI ਵਿੱਚ ਤਬਦੀਲ ਕਰਨ ਅਤੇ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨਾਲ ਤੁਲਨਾ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਇੱਕ ਥੋੜ੍ਹੇ ਸਮੇਂ ਲਈ ਪ੍ਰਦੂਸ਼ਣ ਪੂਰਵ-ਅਨੁਮਾਨ ਮਾਡਲ ਬਣਾਉਣ ਅਤੇ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲਾਂ ਅਤੇ ਮਾਡਲ ਸੀਮਾਵਾਂ ਦੇ ਨਾਲ ਹਰ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਇਮਾਨਦਾਰੀ ਨਾਲ ਪੇਸ਼ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਜਨ ਸਿਹਤ ਦੇ ਦਾਅਵਿਆਂ ਦਾ ਸਬੂਤਾਂ ਦੇ ਨਾਲ ਸਮਰਥਨ ਕਰਨ ਦੀ ਯੋਗਤਾ, ਬਿਨਾਂ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਅਨੁਕੂਲਿਤ ਹਿੱਸਿਆਂ ਦੇ ਜਿਨ੍ਹਾਂ ਲਈ ਵੰਡ/ਭੌਤਿਕ ਵਿਗਿਆਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ
ਹਵਾ ਪ੍ਰਦੂਸ਼ਣ ਅਦਿੱਖ ਪਰ ਘਾਤਕ ਹੈ: ਇਹ ਹਰ ਸਾਲ ਲੱਖਾਂ ਸਮੇਂ ਤੋਂ ਪਹਿਲਾਂ ਮੌਤਾਂ ਦਾ ਕਾਰਨ ਬਣਦਾ ਹੈ ਅਤੇ ਜਲਵਾਯੂ ਤਬਦੀਲੀ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ। ਸੰਸਥਾਵਾਂ ਆਪਣੇ ਖੁਦ ਦੇ ਸਟੈਕ ਨਿਕਾਸ ਅਤੇ ਆਪਣੇ ਆਲੇ ਦੁਆਲੇ ਦੀ ਹਵਾ ਦੀ ਗੁਣਵੱਤਾ ਦੋਵਾਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹਨ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਹਵਾ ਦੀ ਗੁਣਵੱਤਾ ਦੇ ਮਾਪਦੰਡ, ਮਾਪ ਅਤੇ ਮਾਡਲਿੰਗ ਵਿਧੀਆਂ, AI ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਇਹਨਾਂ ਸਭ ਦੀਆਂ ਸੀਮਾਵਾਂ ਸਿੱਖੋਗੇ।
ਸੰਕਲਪ ਪਹਿਲਾਂ. ਹਵਾ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਆਮ ਤੌਰ 'ਤੇ ਕਈ ਵੱਡੇ ਪ੍ਰਦੂਸ਼ਕਾਂ 'ਤੇ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ: PM2.5 ਅਤੇ PM10 (2.5 ਅਤੇ 10 ਮਾਈਕਰੋਨ ਤੋਂ ਛੋਟੇ ਕਣ - ਸਾਹ ਲੈਣ ਯੋਗ ਧੂੜ), NO₂ (ਨਾਈਟ੍ਰੋਜਨ ਡਾਈਆਕਸਾਈਡ - ਬਲਨ ਤੋਂ), SO₂ (ਸਲਫਰ ਡਾਈਆਕਸਾਈਡ), O₃ (ਭੂਮੀ ਪੱਧਰ ਦਾ ਓਜ਼ੋਨ), ਅਤੇ ਕਾਰਬੋਨਾਈਡ। AQI (ਏਅਰ ਕੁਆਲਿਟੀ ਇੰਡੈਕਸ) ਉਹ ਸੂਚਕਾਂਕ ਹੈ ਜੋ ਇਹਨਾਂ ਪ੍ਰਦੂਸ਼ਕਾਂ ਨੂੰ ਇੱਕ ਰੰਗਦਾਰ/ਨੰਬਰ ਵਾਲੇ ਪੈਮਾਨੇ (ਚੰਗੇ-ਖਤਰਨਾਕ) ਵਿੱਚ ਬਦਲਦਾ ਹੈ ਜਿਸਨੂੰ ਜਨਤਾ ਸਮਝ ਸਕਦੀ ਹੈ। ਨਿਕਾਸ ਸਰੋਤ ਤੋਂ ਜਾਰੀ ਕੀਤੀ ਗਈ ਮਾਤਰਾ ਹੈ, ਜਦੋਂ ਕਿ ਇਕਾਗਰਤਾ ਹਵਾ ਵਿਚ ਇਕਾਗਰਤਾ ਹੈ; ਦੋਵਾਂ ਨੂੰ ਉਲਝਾਉਣਾ ਨਾ ਜ਼ਰੂਰੀ ਹੈ।
ਸੰਕੇਤ: ਨਿਕਾਸੀ (ਸਰੋਤ ਤੋਂ) ਅਤੇ ਇਕਾਗਰਤਾ (ਹਵਾ ਵਿੱਚ ਮਾਪੀ ਗਈ) ਦੋ ਵੱਖਰੀਆਂ ਚੀਜ਼ਾਂ ਹਨ। ਹਵਾ, ਤਾਪਮਾਨ ਅਤੇ ਟੌਪੋਗ੍ਰਾਫੀ ਇੱਕੋ ਜਿਹੇ ਨਿਕਾਸ ਦਾ ਕਾਰਨ ਬਣਦੀ ਹੈ ਜਿਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਬਹੁਤ ਵੱਖ-ਵੱਖ ਸੰਘਣਤਾ ਹੁੰਦੀ ਹੈ। "ਚਿਮਨੀ ਵਿੱਚੋਂ ਬਾਹਰ ਆਉਣਾ ਘੱਟ ਹੈ" ਕਹਿਣ ਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ "ਨੇੜਲੀ ਹਵਾ ਸਾਫ਼ ਹੈ"।
ਮਾਡਲਿੰਗ: ਨਿਕਾਸ ਤੋਂ ਇਕਾਗਰਤਾ ਤੱਕ
ਚਿਮਨੀ ਤੋਂ ਬਾਹਰ ਨਿਕਲਣ ਵਾਲੇ ਪ੍ਰਦੂਸ਼ਕ ਦੀ ਇਕਾਗਰਤਾ ਦੀ ਗਣਨਾ ਕਰਨਾ ਕਿਸੇ ਨੇੜਲੇ ਇਲਾਕੇ ਤੱਕ ਪਹੁੰਚ ਜਾਵੇਗਾ, ਡਿਸਪਰਸ਼ਨ ਮਾਡਲਿੰਗ ਦਾ ਮਾਮਲਾ ਹੈ। ਇਹ ਮਾਡਲ ਮੌਸਮ ਵਿਗਿਆਨ (ਹਵਾ ਦੀ ਦਿਸ਼ਾ/ਗਤੀ, ਵਾਯੂਮੰਡਲ ਦੀ ਸਥਿਰਤਾ) ਅਤੇ ਟੌਪੋਗ੍ਰਾਫੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਕਲਾਸੀਕਲ ਮਾਡਲ (ਜਿਵੇਂ ਕਿ ਗੌਸੀ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਮਾਡਲ) ਭੌਤਿਕ ਵਿਗਿਆਨ-ਅਧਾਰਿਤ ਹਨ; AI ਦੀ ਵਰਤੋਂ ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਤੇਜ਼ ਕਰਨ, ਆਉਟਪੁੱਟ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਅਤੇ ਵੱਡੇ ਮਾਪ ਡੇਟਾ ਸੈੱਟਾਂ ਤੋਂ ਪੈਟਰਨ ਕੱਢਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ - ਪਰ ਭੌਤਿਕ ਵਿਗਿਆਨ ਨੂੰ AI ਵਿੱਚ ਫਿੱਟ ਕਰਨਾ ਖਤਰਨਾਕ ਹੈ।
ਪੂਰਵ ਅਨੁਮਾਨ: ਕੱਲ੍ਹ ਦੇ ਮੌਸਮ ਦੀ ਭਵਿੱਖਬਾਣੀ
AI ਦਾ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਖੇਤਰ ਪੂਰਵ-ਅਨੁਮਾਨ ਕਰਨਾ ਹੈ: ਇਤਿਹਾਸਕ ਮਾਪ, ਮੌਸਮ ਵਿਗਿਆਨ ਅਤੇ ਟ੍ਰੈਫਿਕ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਕੱਲ੍ਹ ਜਾਂ ਕੁਝ ਘੰਟਿਆਂ ਬਾਅਦ ਪ੍ਰਦੂਸ਼ਕ ਪੱਧਰਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਮਾਡਲਾਂ ਦਾ ਨਿਰਮਾਣ ਕਰਨਾ। ਇਹ ਜਨਤਕ ਸਿਹਤ ਚੇਤਾਵਨੀਆਂ ਅਤੇ ਸਾਵਧਾਨੀ (ਉਦਾਹਰਨ ਲਈ ਟ੍ਰੈਫਿਕ ਪਾਬੰਦੀ) ਲਈ ਮਹੱਤਵਪੂਰਣ ਹੈ। ਪਰ ਹਰ ਪੂਰਵ-ਅਨੁਮਾਨ ਵਿੱਚ ਅਨਿਸ਼ਚਿਤਤਾ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਮਾਡਲ ਗਲਤ ਹੋਵੇਗਾ ਜਦੋਂ ਇਹ ਉਹਨਾਂ ਸਥਿਤੀਆਂ ਤੋਂ ਬਾਹਰ ਡਿੱਗਦਾ ਹੈ ਜਿਸਦੀ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ (ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਅਚਾਨਕ ਅੱਗ)।
ਕਦਮ ਦਰ ਕਦਮ: ਹਵਾ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ
1. ਸਵਾਲ ਅਤੇ ਪੈਰਾਮੀਟਰ ਚੁਣੋ। ਕਿਹੜਾ ਪ੍ਰਦੂਸ਼ਕ, ਕਿਹੜਾ ਸਥਾਨ, ਕਿਸ ਮਿਆਦ ਲਈ?
2. ਡੇਟਾ ਸਰੋਤ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ। ਹਵਾਲਾ ਸਟੇਸ਼ਨ ਜਾਂ ਘੱਟ ਕੀਮਤ ਵਾਲਾ ਸੈਂਸਰ? ਕੈਲੀਬਰ?
3. ਪ੍ਰੀ-ਪ੍ਰਕਿਰਿਆ। ਗੁੰਮ ਹੋਏ ਡੇਟਾ, ਸੈਂਸਰ ਡਰਾਫਟ, ਅਤਿਅੰਤ ਆਊਟਲੀਅਰਾਂ ਨੂੰ ਸਾਫ਼ ਕਰੋ।
4. AQI ਵਿੱਚ ਬਦਲੋ ਅਤੇ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨਾਲ ਤੁਲਨਾ ਕਰੋ। ਕੀ ਕਾਨੂੰਨੀ ਸੀਮਾ ਪਾਰ ਹੋ ਗਈ ਹੈ?
5. ਮਾਡਲ/ਅਨੁਮਾਨ। ਰੁਝਾਨ, ਮੌਸਮੀ, ਭਵਿੱਖ ਦਾ ਅਨੁਮਾਨ।
6. ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਰਿਪੋਰਟ ਕਰੋ। ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲਾਂ ਅਤੇ ਮਾਡਲ ਸੀਮਾਵਾਂ ਦੇ ਨਾਲ ਹਮੇਸ਼ਾ ਅੰਦਾਜ਼ੇ ਪੇਸ਼ ਕਰੋ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਨਿਕਾਸੀ-ਇਕਾਗਰਤਾ ਉਲਝਣ। ਇੱਕ ਸਹੂਲਤ ਇਹ ਘੋਸ਼ਣਾ ਕਰਨਾ ਚਾਹੁੰਦੀ ਸੀ ਕਿ ਉਸਨੇ ਆਪਣੇ ਸਟੈਕ ਨਿਕਾਸ ਨੂੰ 20% ਘਟਾ ਦਿੱਤਾ ਹੈ ਅਤੇ ਇਸਲਈ "ਗੁਆਂਢ ਦੀ ਹਵਾ 20% ਸਾਫ਼" ਸੀ। ਮਾਹਰ ਨੇ ਦਿਖਾਇਆ ਕਿ ਉਸ ਸਮੇਂ ਹਵਾ ਦੀ ਦਿਸ਼ਾ ਬਦਲ ਗਈ ਸੀ ਅਤੇ ਇਕਾਗਰਤਾ ਅਸਲ ਵਿੱਚ ਮੌਸਮ ਵਿਗਿਆਨ ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਹੋਈ ਸੀ; ਨਿਕਾਸ ਵਿੱਚ ਕਮੀ ਅਸਲ ਸੀ, ਪਰ ਇਕਾਗਰਤਾ ਦਾ ਦਾਅਵਾ ਬੇਬੁਨਿਆਦ ਸੀ। ਬਿਆਨ "ਅਸੀਂ ਸਟੈਕ ਨਿਕਾਸ ਨੂੰ 20% ਘਟਾ ਦਿੱਤਾ" ਤੱਕ ਸੀਮਿਤ ਸੀ; ਬਿਨਾਂ ਸਬੂਤ ਦੇ ਹਵਾਈ ਦਾਅਵਾ ਹਟਾ ਦਿੱਤਾ ਗਿਆ।
ਕੇਸ 2 — ਸੈਂਸਰ ਕੈਲੀਬ੍ਰੇਸ਼ਨ। ਇੱਕ ਸਕੂਲ ਨੂੰ ਘੱਟ ਲਾਗਤ ਵਾਲੇ ਸੈਂਸਰ ਨਾਲ "ਖਤਰਨਾਕ PM2.5" ਚੇਤਾਵਨੀ ਪ੍ਰਾਪਤ ਹੋਈ। ਜਦੋਂ ਮਾਹਰ ਨੇ ਸੈਂਸਰ ਦੀ ਤੁਲਨਾ ਨੇੜਲੇ ਹਵਾਲਾ ਸਟੇਸ਼ਨ ਨਾਲ ਕੀਤੀ, ਤਾਂ ਉਸਨੇ ਪਾਇਆ ਕਿ ਮੁੱਲ ਉੱਚ ਨਮੀ 'ਤੇ ਵਧਿਆ ਹੋਇਆ ਸੀ; ਨਮੀ ਦੇ ਸੁਧਾਰ ਤੋਂ ਬਾਅਦ, ਮੁੱਲ "ਮੱਧਮ" ਪੱਧਰ ਤੱਕ ਘਟ ਗਿਆ. ਇੱਕ ਗੈਰ-ਕੈਲੀਬਰੇਟਡ ਸੈਂਸਰ ਦਹਿਸ਼ਤ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ। (ਇਹ ਇੱਕ ਵਾਰ ਫਿਰ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਹਰੇਕ ਮਾਪ ਖੇਤਰ ਵਿੱਚ ਸੈਂਸਰ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਕਿੰਨੀ ਮਹੱਤਵਪੂਰਨ ਹੈ।)
ਕੇਸ 3 - ਪੂਰਵ ਅਨੁਮਾਨ ਅਨਿਸ਼ਚਿਤਤਾ। ਇੱਕ ਨਗਰਪਾਲਿਕਾ ਨੇ ਅਗਲੇ ਦਿਨ ਆਪਣੇ AI ਪੂਰਵ ਅਨੁਮਾਨ ਮਾਡਲ ਦੇ ਨਾਲ "ਉੱਚ ਪ੍ਰਦੂਸ਼ਣ" ਦੀ ਚੇਤਾਵਨੀ ਦਿੱਤੀ, ਪਰ ਇੱਕ ਅਚਾਨਕ ਰੇਤ ਦੇ ਤੂਫਾਨ ਨੇ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਅਸਫਲ ਕਰ ਦਿੱਤਾ। ਟੀਮ ਨੇ ਪਹਿਲਾਂ ਰਿਪੋਰਟ ਕੀਤੀ ਸੀ ਕਿ ਮਾਡਲ "ਗੈਰ-ਸਿਖਲਾਈ ਡੇਟਾ ਇਵੈਂਟਾਂ ਲਈ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਸੀ"; ਇਸ ਲਈ ਚੇਤਾਵਨੀ ਨੂੰ "ਸੰਭਵ" ਵਜੋਂ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਵਿਸ਼ਵਾਸ ਦਾ ਕੋਈ ਨੁਕਸਾਨ ਨਹੀਂ ਹੋਇਆ ਸੀ। ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰਨਾ ਭਵਿੱਖਬਾਣੀ ਦੀ ਜ਼ਿੰਮੇਵਾਰ ਵਰਤੋਂ ਹੈ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਇਸ ਮੌਸਮ ਦੇ ਅੰਕੜਿਆਂ ਨਾਲ ਕੱਲ੍ਹ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰੋ।
ਇਹ ਕਮਜ਼ੋਰ ਕਿਉਂ ਹੈ: ਮਾਪਦੰਡ, ਸਥਾਨ, ਡੇਟਾ ਗੁਣਵੱਤਾ, ਮਾਡਲ ਕਿਸਮ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਕੋਈ ਮੰਗ ਨਹੀਂ ਹੈ। ਆਉਟਪੁੱਟ ਇੱਕ ਸਿੰਗਲ ਨੰਬਰ ਹੋਵੇਗਾ, ਇਸਦੀ ਭਰੋਸੇਯੋਗਤਾ ਅਣਜਾਣ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਹਵਾ ਦੀ ਗੁਣਵੱਤਾ ਡੇਟਾ ਵਿਗਿਆਨੀ। ਹੇਠਲੇ PM2.5 ਘੰਟੇ ਦੇ ਡੇਟਾ ਅਤੇ ਮੌਸਮ ਵਿਗਿਆਨ (ਹਵਾ, ਨਮੀ, ਤਾਪਮਾਨ) ਦੇ ਨਾਲ, ਅਗਲੇ 24 ਘੰਟਿਆਂ ਲਈ ਪਾਈਥਨ ਵਿੱਚ ਇੱਕ ਸਧਾਰਨ ਪੂਰਵ ਅਨੁਮਾਨ ਮਾਡਲ (ਜਿਵੇਂ ਕਿ ਗਰੇਡੀਐਂਟ ਬੂਸਟਿੰਗ) ਸਥਾਪਤ ਕਰੋ। ਕਦਮ: (1) ਡੇਟਾ ਕਲੀਨਿੰਗ ਅਤੇ ਸੈਂਸਰ ਡ੍ਰਾਈਫਟ ਕੰਟਰੋਲ, (2) ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਤਿਆਰੀ, (3) ਮਾਡਲ, (4) ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲ ਨਾਲ ਭਵਿੱਖਬਾਣੀਆਂ ਦਿਓ। ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਮਾਡਲ ਦੀਆਂ ਸੀਮਾਵਾਂ (ਗੈਰ-ਵਿਦਿਅਕ ਸਥਿਤੀਆਂ ਵਿੱਚ ਭਰੋਸੇਯੋਗਤਾ) ਦੱਸੋ। ਡੇਟਾ: [ਇੱਥੇ]
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਏਅਰ ਡਾਟਾ ਕਲੀਨਿੰਗ + AQI:
ਪਾਈਥਨ (ਅੰਡਰਸ਼ੂਟ, ਸਟੱਕ, ਡ੍ਰਾਈਫਟ, ਓਵਰਸ਼ੂਟ) ਨਾਲ ਹੇਠਾਂ ਦਿੱਤੇ ਹਵਾ ਗੁਣਵੱਤਾ ਮਾਪਾਂ ਨੂੰ ਸਾਫ਼ ਕਰੋ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਮਿਆਰੀ AQI ਵਿੱਚ ਬਦਲੋ। ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਕਿਹੜਾ AQI ਫਾਰਮੂਲਾ ਵਰਤਦੇ ਹੋ; ਫਿਟਿੰਗ ਉਹਨਾਂ ਘੰਟਿਆਂ ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕਰੋ ਜੋ ਕਨੂੰਨੀ ਥ੍ਰੈਸ਼ਹੋਲਡ ਤੋਂ ਵੱਧ ਹਨ। ਡੇਟਾ: [ਇੱਥੇ]
2) ਨਿਕਾਸੀ ਬਨਾਮ ਇਕਾਗਰਤਾ ਅੰਤਰ:
ਹੇਠਾਂ ਦਿੱਤੇ ਦਾਅਵੇ ਦੀ ਜਾਂਚ ਕਰੋ: ਕੀ ਇਹ ਨਿਕਾਸ (ਸਰੋਤ ਤੋਂ) ਜਾਂ ਇਕਾਗਰਤਾ (ਹਵਾ ਵਿੱਚ ਮਾਪੀ ਗਈ) ਬਾਰੇ ਹੈ? ਉਹਨਾਂ ਹਿੱਸਿਆਂ ਨੂੰ ਉਜਾਗਰ ਕਰੋ ਜੋ ਦੋਵਾਂ ਨੂੰ ਉਲਝਾਉਂਦੇ ਹਨ ਜਾਂ ਮੌਸਮ ਵਿਗਿਆਨ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦੇ ਹਨ ਅਤੇ ਸਬੂਤ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਮਾਪਿਆ ਮੁੜ ਬਿਆਨ ਦਾ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ। ਦਾਅਵਾ: [ਇੱਥੇ]
3) ਭਵਿੱਖਬਾਣੀ ਮਾਡਲ (ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਨਾਲ):
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਡੇਟਾ ਸਾਇੰਟਿਸਟ। ਨਿਮਨਲਿਖਤ ਸਮਾਂ ਲੜੀ ਦੇ ਨਾਲ [ਪ੍ਰਦੂਸ਼ਕ] ਲਈ ਇੱਕ ਛੋਟੀ ਮਿਆਦ ਦੀ ਪੂਰਵ ਅਨੁਮਾਨ ਮਾਡਲ (ਪਾਈਥਨ) ਬਣਾਓ। ਹਰੇਕ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਇਸ ਦੇ ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲ ਨਾਲ ਦਿਓ। ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਲਿਖੋ ਕਿ ਕਿਹੜੀਆਂ ਸਥਿਤੀਆਂ (ਗੈਰ-ਸਿਖਲਾਈ ਘਟਨਾ, ਅਤਿਅੰਤ ਮੌਸਮ) ਵਿੱਚ ਮਾਡਲ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੋਵੇਗਾ। ਬਹੁਤ ਜ਼ਿਆਦਾ ਆਸ਼ਾਵਾਦੀ ਸੱਚ ਦਾ ਦਾਅਵਾ FAKE.Data: [ਇੱਥੇ]
4) ਸਰੋਤ ਯੋਗਦਾਨ ਸੰਖੇਪ:
ਹੇਠਾਂ ਹਵਾ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਹਵਾ ਦੇ ਡੇਟਾ ਤੋਂ, ਸੰਭਾਵਿਤ ਸਰੋਤ ਦਿਸ਼ਾ ਬਾਰੇ ਇੱਕ ਸੁਰਾਗ ਦੇਣ ਲਈ ਉੱਚ ਪ੍ਰਦੂਸ਼ਣ ਦੇ ਸਮੇਂ ਦੌਰਾਨ ਹਵਾ ਕਿਸ ਦਿਸ਼ਾ ਤੋਂ ਆ ਰਹੀ ਹੈ, ਇਸਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ। "ਇਹ ਸਰੋਤ ਹੈ" ਬਿਲਕੁਲ ਨਾ ਕਹੋ; ਪੇਸ਼ਕਸ਼ ਸੰਭਾਵਨਾ ਅਤੇ ਤਸਦੀਕ. ਡੇਟਾ: [ਇੱਥੇ]
ਆਮ ਗਲਤੀਆਂ
- ਇਕਾਗਰਤਾ ਦੇ ਨਾਲ ਉਲਝਣ ਵਾਲਾ ਨਿਕਾਸ. ਚਿਮਨੀ ਵਿੱਚ ਕਮੀ ਦਾ ਮਤਲਬ ਹਵਾ ਵਿੱਚ ਸਫਾਈ ਨਹੀਂ ਹੈ।
- ਇੱਕ ਗੈਰ-ਕੈਲੀਬਰੇਟਡ ਸੈਂਸਰ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ। ਨਮੀ ਅਤੇ ਵਹਿਣ ਮੁੱਲਾਂ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ।
- ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਬਿਨਾਂ ਅਨੁਮਾਨ ਪੇਸ਼ ਕਰਨਾ. ਹਰੇਕ ਅੰਦਾਜ਼ੇ ਨੂੰ ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲ ਨਾਲ ਦਿੱਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
- ਭੌਤਿਕ ਵਿਗਿਆਨ ਨੂੰ AI ਨਾਲ ਫਿੱਟ ਬਣਾਉਣਾ। ਵੰਡ ਮਾਡਲ ਲਈ ਭੌਤਿਕ ਵਿਗਿਆਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ; LLM ਦੀ "ਭਵਿੱਖਬਾਣੀ" ਭੌਤਿਕ ਵਿਗਿਆਨ ਨਹੀਂ ਹੈ।
- ਕਨੂੰਨੀ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਯਾਦ ਰੱਖਣਾ। ਵਿਧਾਨ ਤੋਂ ਸੀਮਾ ਮੁੱਲ ਲਓ.
ਸਾਵਧਾਨ: ਹਵਾ ਦੀ ਗੁਣਵੱਤਾ ਦੇ ਦਾਅਵੇ ਜਨਤਕ ਸਿਹਤ ਨਾਲ ਸਬੰਧਤ ਹਨ। ਇੱਕ ਝੂਠਾ "ਸਾਫ਼" ਦਾਅਵਾ ਲੋਕਾਂ ਨੂੰ ਖਤਰੇ ਵਿੱਚ ਪਾਉਂਦਾ ਹੈ; ਇੱਕ ਬੇਬੁਨਿਆਦ "ਗੰਦਾ" ਅਲਾਰਮ ਬੇਲੋੜਾ ਦਹਿਸ਼ਤ ਅਤੇ ਆਰਥਿਕ ਨੁਕਸਾਨ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਕੈਲੀਬਰੇਟਡ ਡੇਟਾ, ਢੁਕਵੇਂ ਮਾਡਲ ਅਤੇ ਸਪੱਸ਼ਟ ਅਨਿਸ਼ਚਿਤਤਾ ਨਾਲ ਹਰੇਕ ਦਾਅਵੇ ਦਾ ਸਮਰਥਨ ਕਰੋ।
ਸੰਖੇਪ ਵਿੱਚ
ਹਵਾ ਦੀ ਗੁਣਵੱਤਾ; ਇਸ ਲਈ ਨਿਕਾਸ ਨੂੰ ਇਕਾਗਰਤਾ ਤੋਂ ਵੱਖ ਕਰਨਾ, ਮਾਪ ਕੈਲੀਬਰੇਟ ਕਰਨਾ, ਉਚਿਤ ਮਾਡਲਿੰਗ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਨਾਲ ਪੇਸ਼ ਕੀਤੀ ਭਵਿੱਖਬਾਣੀ ਦੀ ਲੋੜ ਹੈ। AI; ਇਹ ਡਾਟਾ ਸਫਾਈ, ਪੈਟਰਨ ਕੱਢਣ ਅਤੇ ਥੋੜ੍ਹੇ ਸਮੇਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ। ਪਰ ਭੌਤਿਕ ਵਿਗਿਆਨ-ਅਧਾਰਿਤ ਵੰਡ, ਸੈਂਸਰ ਕੈਲੀਬ੍ਰੇਸ਼ਨ, ਕਾਨੂੰਨੀ ਥ੍ਰੈਸ਼ਹੋਲਡ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਇਮਾਨਦਾਰ ਰਿਪੋਰਟਿੰਗ ਮਾਹਰ ਨਾਲ ਸਬੰਧਤ ਹੈ। ਚਿਮਨੀ 'ਤੇ ਨੰਬਰ ਆਂਢ-ਗੁਆਂਢ ਦੀ ਹਵਾ ਦੇ ਬਰਾਬਰ ਨਹੀਂ ਹੈ.
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਕਿਸੇ ਸਥਾਨ ਲਈ ਕਾਲਪਨਿਕ ਘੰਟਾਵਾਰ PM2.5 ਅਤੇ ਮੌਸਮ ਸੰਬੰਧੀ ਡੇਟਾ ਤਿਆਰ ਕਰੋ। ਪਹਿਲੇ ਟੈਂਪਲੇਟ ਦੇ ਨਾਲ, AI ਨੂੰ ਡਾਟਾ ਸਾਫ਼ ਕਰੋ, ਇਸਨੂੰ AQI ਵਿੱਚ ਬਦਲੋ, ਅਤੇ ਥ੍ਰੈਸ਼ਹੋਲਡ ਤੋਂ ਵੱਧ ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕਰੋ। ਫਿਰ ਤੀਸਰੇ ਟੈਮਪਲੇਟ ਦੇ ਨਾਲ ਇੱਕ ਥੋੜ੍ਹੇ ਸਮੇਂ ਦੀ ਪੂਰਵ ਅਨੁਮਾਨ ਮਾਡਲ ਬਣਾਓ ਅਤੇ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਹਰੇਕ ਪੂਰਵ ਅਨੁਮਾਨ ਇੱਕ ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲ ਨਾਲ ਆਉਂਦਾ ਹੈ। ਅੰਤ ਵਿੱਚ, ਟੈਮਪਲੇਟ 2 ਦੇ ਨਾਲ ਨਿਕਾਸ/ਇਕਾਗਰਤਾ ਲਈ ਆਪਣੇ ਹਵਾ ਦੀ ਗੁਣਵੱਤਾ ਦੇ ਦਾਅਵੇ ਦਾ ਆਡਿਟ ਕਰੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਨਿਕਾਸੀ ਅਤੇ ਇਕਾਗਰਤਾ ਵਿਚਕਾਰ ਫਰਕ ਸਹੀ ਢੰਗ ਨਾਲ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਅਤੇ ਡ੍ਰਾਫਟ ਲਈ ਸੈਂਸਰ ਡੇਟਾ ਦੀ ਜਾਂਚ ਕੀਤੀ।
- [ ] ਮੈਨੂੰ ਸਹੀ ਫਾਰਮੂਲੇ/ਵਿਧਾਨ ਤੋਂ AQI ਅਤੇ ਥ੍ਰੈਸ਼ਹੋਲਡ ਮਿਲੇ ਹਨ।
- [ ] ਮੈਂ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਅਤੇ ਮਾਡਲ ਸੀਮਾ ਦੇ ਨਾਲ ਅੰਦਾਜ਼ੇ ਪੇਸ਼ ਕੀਤੇ।
- [ ] ਮੇਰੇ ਕੋਲ AI ਉਹਨਾਂ ਹਿੱਸਿਆਂ ਨੂੰ ਅਨੁਕੂਲਿਤ ਨਹੀਂ ਕਰਦਾ ਸੀ ਜਿਹਨਾਂ ਲਈ ਵੰਡ/ਭੌਤਿਕ ਵਿਗਿਆਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
- [ ] ਮੈਂ ਸਬੂਤਾਂ ਦੇ ਨਾਲ ਜਨਤਕ ਸਿਹਤ ਦਾਅਵਿਆਂ ਦਾ ਸਮਰਥਨ ਕੀਤਾ।