Zyski:
- Możliwość rozróżnienia emisji (ze źródła) od stężenia (mierzonego w powietrzu) oraz konwersji skalibrowanych danych na AQI i porównania ich z progami
- Umiejętność zbudowania krótkoterminowego modelu prognozowania zanieczyszczeń i uczciwego przedstawienia każdej prognozy wraz z przedziałami ufności i limitami modelu
- Możliwość wspierania oświadczeń dotyczących zdrowia publicznego dowodami bez konieczności dostosowywania przez sztuczną inteligencję części wymagających dystrybucji/fizyki
Zanieczyszczenie powietrza jest niewidoczne, ale zabójcze: każdego roku powoduje miliony przedwczesnych zgonów i jest powiązane ze zmianami klimatycznymi. Instytucje są odpowiedzialne zarówno za emisję własnych kominów, jak i za jakość powietrza wokół nich. Na tym module poznasz parametry jakości powietrza, metody pomiarów i modelowania, przewidywania za pomocą sztucznej inteligencji i ich ograniczenia.
Najpierw koncepcje. Jakość powietrza mierzy się zazwyczaj na podstawie kilku głównych substancji zanieczyszczających: PM2,5 i PM10 (cząstki stałe mniejsze niż 2,5 i 10 mikronów — pył wdychany), NO₂ (dwutlenek azotu ze spalania), SO₂ (dwutlenek siarki), O₃ (ozon w warstwie przyziemnej) i CO (tlenek węgla). AQI (wskaźnik jakości powietrza) to wskaźnik, który przekształca te zanieczyszczenia w pojedynczą kolorową/numerowaną skalę (dobre-niebezpieczne), zrozumiałą dla społeczeństwa. Emisja to ilość uwolniona ze źródła, natomiast stężenie to stężenie w powietrzu; Bardzo ważne jest, aby nie mylić tych dwóch kwestii.
Wskazówka: Emisja (ze źródła) i stężenie (mierzone w powietrzu) to dwie różne rzeczy. Wiatr, temperatura i topografia powodują, że ta sama emisja skutkuje bardzo różnymi stężeniami. Stwierdzenie „z komina wychodzi mniej” nie oznacza, że „powietrze w pobliżu jest czyste”.
Modelowanie: od emisji do stężenia
Obliczenie stężenia substancji zanieczyszczającej wydobywającej się z komina, która dotrze do pobliskiego sąsiedztwa, jest kwestią modelowania dyspersji. Modele te wykorzystują meteorologię (kierunek/prędkość wiatru, stabilność atmosfery) i topografię. Modele klasyczne (np. model rozkładu Gaussa) opierają się na fizyce; Sztuczną inteligencję wykorzystuje się do przyspieszania tych modeli, interpretacji wyników i wydobywania wzorców z dużych zbiorów danych pomiarowych, ale „dopasowywanie” fizyki do sztucznej inteligencji jest niebezpieczne.
Prognoza: przewidywanie jutrzejszej pogody
Najsilniejszą dziedziną sztucznej inteligencji jest prognozowanie: budowanie modeli prognozujących poziom substancji zanieczyszczających jutro lub kilka godzin później, wykorzystując pomiary historyczne, dane meteorologiczne i dane o ruchu. Jest to cenne ze względu na ostrzeżenia i środki ostrożności dotyczące zdrowia publicznego (np. ograniczenia ruchu). Jednak każda prognoza jest obarczona niepewnością, a model będzie błędny, jeśli nie spełni warunków, na których został wyszkolony (na przykład nieoczekiwany pożar).
Krok po kroku: analiza jakości powietrza
1. Wybierz pytanie i parametr. Jaka substancja zanieczyszczająca, jaka lokalizacja i na jaki czas?
2. Zweryfikuj źródło danych. Stacja referencyjna czy tani czujnik? Kaliber?
3. Przetwarzanie wstępne. Usuń brakujące dane, dryf czujnika i skrajne wartości odstające.
4. Przelicz na AQI i porównaj z progiem. Czy przekroczono dopuszczalny limit?
5. Model/przewidywanie. Trend, sezonowość, prognoza na przyszłość.
6. Zgłoś niepewność. Zawsze przedstawiaj szacunki z przedziałami ufności i granicami modelu.
trzy mini etui
Przypadek 1 – Pomieszanie emisji ze stężeniem. Jeden z obiektów chciał ogłosić, że ograniczył emisję gazów cieplarnianych o 20%, w związku z czym „powietrze w okolicy było o 20% czystsze”. Biegły wykazał, że w tym czasie zmienił się kierunek wiatru, a na jego stężenie faktycznie wpływ miała meteorologia; Redukcja emisji była rzeczywista, ale twierdzenie o koncentracji było bezpodstawne. Oświadczenie ograniczało się do „zmniejszyliśmy emisję kominów o 20%”; Roszczenie lotnicze bez usuniętych dowodów.
Przypadek 2 — Kalibracja czujnika. Szkoła otrzymała alarm o „niebezpiecznym PM2,5” za pomocą taniego czujnika. Kiedy ekspert porównał czujnik z pobliską stacją referencyjną, stwierdził, że wartość została zawyżona przy wysokiej wilgotności; Po korekcie wilgotności wartość spadła do poziomu „średniego”. Nieskalibrowany czujnik może wywołać panikę. (To po raz kolejny pokazuje, jak ważna jest kalibracja czujnika w każdym obszarze pomiarowym.)
Przypadek 3 – Niepewność prognozy. Następnego dnia gmina za pomocą modelu prognozy opartego na sztucznej inteligencji ostrzegła przed „wysokim zanieczyszczeniem”, ale niespodziewana burza piaskowa pokrzyżowała tę prognozę. Zespół już wcześniej informował, że model jest „niewiarygodny w przypadku zdarzeń związanych z danymi nietreningowymi”; w związku z tym ostrzeżenie przedstawiono jako „możliwe” i nie doszło do utraty zaufania. Wyjaśnienie niepewności oznacza odpowiedzialne wykorzystanie przewidywań.
Słaba zachęta/silna zachęta
Słaba zachęta:
Dzięki tym danym pogodowym możesz przewidzieć jutro.
Dlaczego jest słaby: Brak wymagań dotyczących parametrów, lokalizacji, jakości danych, typu modelu i niepewności. Wynikiem byłaby pojedyncza liczba, a jej wiarygodność nie jest znana.
Potężny monit:
Twoja rola: naukowiec zajmujący się danymi na temat jakości powietrza. Mając następujące dane godzinowe dotyczące PM2,5 i meteorologię (wiatr, wilgotność, temperatura), utwórz prosty model prognozy (np. wzmocnienie gradientu) w Pythonie na następne 24 godziny. Kroki: (1) czyszczenie danych i kontrola dryfu czujnika, (2) przygotowanie cech, (3) modelowanie, (4) przewidywanie z przedziałem ufności. Jasno określ ograniczenia modelu (niewiarygodność w sytuacjach pozaedukacyjnych). Dane: [tutaj]
Cztery szablony do kopiowania
1) Czyszczenie danych powietrza + AQI:
Oczyść następujące pomiary jakości powietrza za pomocą Pythona (niedoszacowanie, zatrzymanie, dryf, przekroczenie) i przekonwertuj je na standardowy AQI. Określ, jakiej formuły AQI używasz; dopasowywanie. Zaznacz godziny przekraczające dopuszczalny próg. Dane: [tutaj]
2) Rozróżnienie emisji i stężenia:
Sprawdź następujące twierdzenie: czy chodzi o emisję (ze źródła) czy stężenie (mierzone w powietrzu)? Podkreśl części, które mylą te dwa pojęcia lub zignoruj meteorologię i zasugeruj wyważone przekształcenie w oparciu o dowody. Roszczenie: [tutaj]
3) Model predykcyjny (z niepewnością):
Twoja rola: analityk danych. Zbuduj krótkoterminowy model prognozy (Python) dla [zanieczyszczenia] z następującymi szeregami czasowymi. Podaj każdą prognozę wraz z jej przedziałem ufności. Napisz wyraźnie w jakich warunkach (impreza pozatreningowa, ekstremalna pogoda) model byłby zawodny. Zbyt optymistyczne twierdzenie o prawdzie FAKE.Data: [tutaj]
4) Podsumowanie wkładu zasobów:
Na podstawie poniższych danych dotyczących jakości powietrza i wiatru przeanalizuj, z którego kierunku wieje wiatr w godzinach największego zanieczyszczenia, aby uzyskać wskazówkę dotyczącą możliwego kierunku jego źródła. Nie mów wprost: „to jest źródło”; Oferuj prawdopodobieństwo i weryfikację. Dane: [tutaj]
Typowe błędy
- Mylenie emisji ze stężeniem. Obniżenie komina nie oznacza czystości powietrza.
- Poleganie na nieskalibrowanym czujniku. Wilgotność i dryf zawyżają wartości.
- Przedstawienie szacunku bez niepewności. Każde oszacowanie powinno być podane z przedziałem ufności.
- Dostosowanie fizyki do sztucznej inteligencji. Model dystrybucji wymaga fizyki; „Przewidywanie” LLM nie jest fizyką.
- Pamiętając o progach prawnych. Weź wartości graniczne z przepisów.
Uwaga: Twierdzenia dotyczące jakości powietrza dotyczą zdrowia publicznego. Fałszywe, „czyste” twierdzenie naraża ludzi na ryzyko; Bezpodstawny „brudny” alarm powoduje niepotrzebną panikę i szkody gospodarcze. Poprzyj każde twierdzenie skalibrowanymi danymi, odpowiednim modelem i wyraźną niepewnością.
Podsumowując
Jakość powietrza; Wymaga oddzielenia emisji od stężenia, kalibracji pomiaru, odpowiedniego modelowania i przewidywania obarczonego niepewnością. sztuczna inteligencja; Jest potężny w czyszczeniu danych, wydobywaniu wzorców i prognozowaniu krótkoterminowym. Jednak dystrybucja oparta na fizyce, kalibracja czujników, progi prawne i uczciwe raportowanie niepewności należą do ekspertów. Liczba na kominie to nie to samo, co powietrze w okolicy.
Zadanie aplikacji
Przygotuj hipotetyczne dane godzinowe dotyczące PM2,5 i dane meteorologiczne dla lokalizacji. W przypadku pierwszego szablonu poproś sztuczną inteligencję o wyczyszczenie danych, przekonwertowanie ich na AQI i oznaczenie przekroczeń progów. Następnie zbuduj model prognozy krótkoterminowej za pomocą trzeciego szablonu i upewnij się, że każda prognoza ma przedział ufności. Na koniec przeprowadź audyt swojego oświadczenia dotyczącego jakości powietrza pod kątem emisji/stężeń, korzystając z szablonu 2.
lista kontrolna
- [ ] Poprawnie dokonałem rozróżnienia pomiędzy emisją i stężeniem.
- [ ] Sprawdziłem dane czujnika pod kątem kalibracji i dryftu.
- [ ] Otrzymałem AQI i progi z prawidłowego wzoru/przepisu.
- [ ] Przedstawiłem szacunki wraz z przedziałem ufności i granicą modelu.
- [ ] Nie miałem AI dostosowującej części, które wymagały dystrybucji/fizyki.
- [ ] Poparłem twierdzenia dotyczące zdrowia publicznego dowodami.