Ganhos:
- Capacidade de distinguir entre emissões (da fonte) e concentração (medida no ar) e converter os dados calibrados em AQI e compará-los com os limites
- Capacidade de construir um modelo de previsão de poluição de curto prazo e apresentar cada previsão honestamente com intervalos de confiança e limites do modelo
- Capacidade de apoiar alegações de saúde pública com evidências sem que a inteligência artificial adapte partes que exijam distribuição/física
A poluição atmosférica é invisível, mas mortal: causa milhões de mortes prematuras todos os anos e está interligada com as alterações climáticas. As instituições são responsáveis pelas suas próprias emissões de chaminés e pela qualidade do ar ao seu redor. Nesta unidade, você aprenderá parâmetros de qualidade do ar, métodos de medição e modelagem, previsão com IA e os limites de tudo isso.
Conceitos primeiro. A qualidade do ar é geralmente medida em vários poluentes importantes: PM2,5 e PM10 (partículas menores que 2,5 e 10 mícrons — poeira respirável), NO₂ (dióxido de nitrogênio — proveniente da combustão), SO₂ (dióxido de enxofre), O₃ (ozônio troposférico) e CO (monóxido de carbono). O AQI (Índice de Qualidade do Ar) é o índice que converte esses poluentes em uma única escala colorida/numerada (bom-perigoso) que o público pode compreender. A emissão é a quantidade liberada pela fonte, enquanto a concentração é a concentração no ar; É fundamental não confundir os dois.
Dica: Emissão (da fonte) e concentração (medida no ar) são duas coisas diferentes. Vento, temperatura e topografia fazem com que a mesma emissão resulte em concentrações muito diferentes. Dizer “sai menos pela chaminé” não significa “o ar próximo é limpo”.
Modelagem: da emissão à concentração
Calcular a concentração de um poluente que sai de uma chaminé e atingirá uma vizinhança próxima é uma questão de modelagem de dispersão. Esses modelos utilizam meteorologia (direção/velocidade do vento, estabilidade atmosférica) e topografia. Os modelos clássicos (por exemplo, modelo de distribuição gaussiana) são baseados na física; A IA é usada para acelerar esses modelos, interpretar os resultados e extrair padrões de grandes conjuntos de dados de medição – mas é perigoso “fazer” com que a física se encaixe na IA.
Previsão: prever o tempo de amanhã
O campo mais forte da IA é a previsão: construir modelos que prevejam os níveis de poluentes amanhã ou algumas horas depois, utilizando medições históricas, meteorologia e dados de tráfego. Isto é valioso para avisos e precauções de saúde pública (por exemplo, restrição de tráfego). Mas toda previsão tem incerteza, e o modelo estará errado quando estiver fora das condições para as quais foi treinado (por exemplo, um incêndio inesperado).
Passo a passo: uma análise da qualidade do ar
1. Selecione a pergunta e o parâmetro. Qual poluente, qual local, por quanto tempo?
2. Verifique a fonte de dados. Estação de referência ou sensor de baixo custo? Calibre?
3. Pré-processar. Limpe dados ausentes, desvios do sensor e valores discrepantes extremos.
4. Converta para AQI e compare com o limite. O limite legal foi excedido?
5. Modelar/prever. Tendência, sazonalidade, projeção futura.
6. Relate a incerteza. Sempre apresente estimativas com intervalos de confiança e limites do modelo.
três mini cases
Caso 1 — Confusão entre emissões e concentração. Uma instalação queria anunciar que tinha reduzido as emissões das suas chaminés em 20% e, portanto, “o ar da vizinhança era 20% mais limpo”. O especialista mostrou que a direção do vento mudou naquele momento e a concentração foi afetada pela meteorologia; A redução das emissões era real, mas a alegação de concentração não tinha fundamento. A declaração limitou-se a “reduzimos as emissões das chaminés em 20%”; Reivindicação aérea sem evidências removidas.
Caso 2 — Calibração do sensor. Uma escola recebeu um alerta “PM2.5 perigoso” com um sensor de baixo custo. Quando o especialista comparou o sensor a uma estação de referência próxima, descobriu que o valor era inflacionado em condições de alta umidade; Após a correção da umidade, o valor caiu para o nível “médio”. Um sensor não calibrado pode causar pânico. (Isso mostra mais uma vez como a calibração do sensor é crítica em todas as áreas de medição.)
Caso 3 — Incerteza de previsão. Um município alertou sobre “alta poluição” no dia seguinte com o seu modelo de previsão de IA, mas uma tempestade de areia inesperada frustrou a previsão. A equipe havia relatado anteriormente que o modelo “não era confiável para eventos de dados que não eram de treinamento”; portanto o aviso foi apresentado como “possível” e não houve perda de confiança. Tornar a incerteza clara é o uso responsável da previsão.
Alerta fraco / Alerta forte
Alerta fraco:
Preveja o amanhã com esses dados meteorológicos.
Por que é fraco: Não há demanda por parâmetros, localização, qualidade de dados, tipo de modelo e incerteza. A saída seria um único número, sua confiabilidade desconhecida.
Alerta poderoso:
Sua função: cientista de dados de qualidade do ar. Com os seguintes dados horários de PM2,5 e meteorologia (vento, umidade, temperatura), configure um modelo de previsão simples (por exemplo, aumento de gradiente) em Python para as próximas 24 horas. Etapas: (1) limpeza de dados e controle de desvio do sensor, (2) preparação de recursos, (3) modelo, (4) fornecer previsões com intervalo de confiança. Indique claramente as limitações do modelo (falta de fiabilidade em situações não educativas). Dados: [aqui]
Quatro modelos copiáveis
1) Limpeza de dados aéreos + AQI:
Limpe as seguintes medições de qualidade do ar com Python (undershoot, preso, desvio, overshoot) e converta-as para AQI padrão. Especifique qual fórmula AQI você usa; adequado. Marque as horas que excedem o limite legal. Dados: [aqui]
2) Distinção entre emissão e concentração:
Verifique a seguinte afirmação: trata-se de emissões (da fonte) ou concentração (medida no ar)? Destaque as partes que confundem os dois ou ignorem a meteorologia e sugira uma reformulação comedida com base em evidências. Reivindicação: [aqui]
3) Modelo de previsão (com incerteza):
Sua função: cientista de dados. Construa um modelo de previsão de curto prazo (Python) para [poluente] com a seguinte série temporal. Dê cada previsão com seu intervalo de confiança. Escreva claramente em que condições (evento não relacionado a treinamento, condições climáticas extremas) o modelo não seria confiável. Afirmação de verdade excessivamente otimista FAKE.Data: [aqui]
4) Resumo da contribuição de recursos:
A partir dos dados de qualidade do ar e do vento abaixo, analise de que direção o vento vem durante horas de alta poluição para dar uma pista sobre a possível direção da fonte. Não diga “esta é a fonte” abertamente; Ofereça probabilidade e verificação. Dados: [aqui]
Erros comuns
- Confundir emissão com concentração. A diminuição da chaminé não significa limpeza do ar.
- Contando com um sensor não calibrado. A umidade e a deriva aumentam os valores.
- Apresentar a estimativa sem incerteza. Cada estimativa deve ser fornecida com um intervalo de confiança.
- Fazendo a física se adequar à IA. O modelo de distribuição requer física; A “previsão” do LLM não é física.
- Lembrando os limites legais. Retire os valores-limite da legislação.
Cuidado: As alegações de qualidade do ar dizem respeito à saúde pública. Uma falsa afirmação “limpa” coloca as pessoas em risco; Um alarme “sujo” infundado cria pânico desnecessário e danos económicos. Apoie cada afirmação com dados calibrados, modelo apropriado e incerteza clara.
Em resumo
Qualidade do ar; Requer separar a emissão da concentração, calibrar a medição, modelar adequadamente e prever com incerteza. IA; É poderoso na limpeza de dados, extração de padrões e previsões de curto prazo. Mas a distribuição baseada na física, a calibração do sensor, os limites legais e o relato honesto da incerteza pertencem ao especialista. O número na chaminé não é igual ao ar da vizinhança.
Tarefa de aplicativo
Prepare PM2.5 hipotético por hora e dados meteorológicos para um local. Com o primeiro modelo, faça com que a IA limpe os dados, converta-os em AQI e marque os limites excedidos. Em seguida, construa um modelo de previsão de curto prazo com o terceiro modelo e certifique-se de que cada previsão venha com um intervalo de confiança. Por fim, faça com que sua declaração de qualidade do ar seja auditada quanto às emissões/concentração com o modelo 2.
lista de verificação
- [ ] Fiz a distinção entre emissão e concentração corretamente.
- [] Verifiquei os dados do sensor para calibração e desvio.
- [ ] Obtive o AQI e os limites da fórmula/legislação correta.
- [ ] Apresentei as estimativas com intervalo de confiança e limite do modelo.
- [ ] Não fiz com que a IA adaptasse as partes que exigiam distribuição/física.
- [] Apoiei as alegações de saúde pública com evidências.