Câștiguri:
- Abilitatea de a distinge între emisii (de la sursă) și concentrație (măsurată în aer) și de a converti datele calibrate în AQI și de a le compara cu praguri
- Abilitatea de a construi un model de predicție a poluării pe termen scurt și de a prezenta fiecare predicție în mod onest cu intervale de încredere și limite ale modelului
- Capacitatea de a susține afirmațiile de sănătate publică cu dovezi fără ca inteligența artificială să adapteze părți care necesită distribuție/fizică
Poluarea aerului este invizibilă, dar mortală: provoacă milioane de decese premature în fiecare an și este împletită cu schimbările climatice. Instituțiile sunt responsabile atât pentru propriile emisii din coș, cât și pentru calitatea aerului din jurul lor. În această unitate, veți învăța parametrii de calitate a aerului, metodele de măsurare și modelare, predicția cu AI și limitele tuturor acestora.
Conceptele în primul rând. Calitatea aerului este în general măsurată pe câțiva poluanți majori: PM2,5 și PM10 (particule mai mici de 2,5 și 10 microni - praf respirabil), NO₂ (dioxid de azot - din ardere), SO₂ (dioxid de sulf), O₃ (ozon la nivelul solului) și CO (monoxid de carbon). AQI (Air Quality Index) este indicele care convertește acești poluanți într-o singură scară colorată/numerotată (bun-periculos) pe care publicul o poate înțelege. Emisia este cantitatea eliberată de la sursă, în timp ce concentrația este concentrația în aer; Este esențial să nu le confundați pe cele două.
Sugestie: Emisia (de la sursă) și concentrația (măsurată în aer) sunt două lucruri diferite. Vântul, temperatura și topografia determină aceeași emisie să rezulte în concentrații foarte diferite. A spune „se iese mai puțin din coș” nu înseamnă „aerul din apropiere este curat”.
Modelare: de la emisie la concentrare
Calcularea concentrației unui poluant care iese dintr-un coș de fum va ajunge într-un cartier din apropiere este o chestiune de modelare a dispersiei. Aceste modele folosesc meteorologia (direcția/viteza vântului, stabilitatea atmosferică) și topografia. Modelele clasice (de exemplu, modelul de distribuție gaussian) sunt bazate pe fizică; AI este folosită pentru a accelera aceste modele, a interpreta rezultatele și a extrage modele din seturi mari de date de măsurare – dar este periculos să „facem” fizica să se potrivească în AI.
Prognoză: prezice vremea de mâine
Cel mai puternic domeniu al IA este prognoza: construirea de modele care prezic nivelurile de poluanți mâine sau câteva ore mai târziu, folosind măsurători istorice, meteorologie și date de trafic. Acest lucru este valoros pentru avertismente de sănătate publică și măsuri de precauție (de exemplu, restricție de trafic). Dar fiecare predicție are incertitudine, iar modelul va fi greșit atunci când nu se încadrează în condițiile în care a fost antrenat (de exemplu, un incendiu neașteptat).
Pas cu pas: o analiză a calității aerului
1. Selectați întrebarea și parametrul. Ce poluant, ce locație, pentru ce durată?
2. Verificați sursa de date. Stație de referință sau senzor ieftin? Calibru?
3. Pre-proces. Curățați datele lipsă, deviația senzorului, valorile aberante extreme.
4. Convertiți la AQI și comparați cu pragul. Este depășită limita legală?
5. Model/predictie. Tendință, sezonalitate, proiecție de viitor.
6. Raportați incertitudinea. Prezentați întotdeauna estimări cu intervale de încredere și limite ale modelului.
trei mini cutii
Cazul 1 — Confuzia emisii-concentrație. O unitate a vrut să anunțe că și-a redus emisiile din coș cu 20% și, prin urmare, „aerul din cartier a fost cu 20% mai curat”. Expertul a arătat că direcția vântului s-a schimbat în acel moment și concentrația a fost efectiv afectată de meteorologie; Reducerea emisiilor a fost reală, dar afirmația privind concentrarea era nefondată. Declarația s-a limitat la „am redus emisiile din coș cu 20%”; Reclamația aeriană fără dovezi eliminate.
Cazul 2 — Calibrarea senzorului. O școală a primit o alertă de „PM2.5 periculoasă” cu un senzor ieftin. Când expertul a comparat senzorul cu o stație de referință din apropiere, a constatat că valoarea a fost umflată la umiditate ridicată; După corectarea umidității, valoarea a scăzut la nivelul „mediu”. Un senzor necalibrat poate provoca panică. (Acest lucru arată încă o dată cât de critică este calibrarea senzorului în fiecare zonă de măsurare.)
Cazul 3 – Incertitudinea prognozei. O municipalitate a avertizat a doua zi despre „poluare ridicată” cu modelul său de prognoză AI, dar o furtună de nisip neașteptată a dejucat prognoza. Echipa raportase anterior că modelul era „nefiabil pentru evenimentele de date care nu sunt de antrenament”; prin urmare avertismentul a fost prezentat ca „posibil” și nu a existat nicio pierdere a încrederii. A clarifica incertitudinea este utilizarea responsabilă a predicției.
Prompt slab / Prompt puternic
Prompt slab:
Prezice mâine cu aceste date meteo.
De ce este slab: nu există cerere pentru parametri, locație, calitatea datelor, tipul de model și incertitudine. Rezultatul ar fi un singur număr, fiabilitatea acestuia necunoscută.
Solicitare puternică:
Rolul tău: cercetător de date privind calitatea aerului. Cu următoarele date pe oră PM2,5 și meteorologie (vânt, umiditate, temperatură), configurați un model de prognoză simplu (de exemplu, creșterea gradientului) în Python pentru următoarele 24 de ore. Pași: (1) curățarea datelor și controlul deplasării senzorului, (2) pregătirea caracteristicilor, (3) model, (4) oferiți predicții cu interval de încredere. Precizați clar limitările modelului (nesiguranță în situații needucative). Date: [aici]
Patru șabloane copiabile
1) Curățarea datelor de aer + AQI:
Curățați următoarele măsurători ale calității aerului cu Python (undershoot, blocat, drift, overshoot) și convertiți-le la AQI standard. Specificați ce formulă AQI utilizați; montaj. Marcați orele care depășesc pragul legal. Date: [aici]
2) Distincția dintre emisii și concentrație:
Verificați următoarea afirmație: este vorba despre emisii (de la sursă) sau concentrație (măsurată în aer)? Evidențiați părțile care le confundă pe cele două sau ignoră meteorologia și sugerați o reformulare măsurată bazată pe dovezi. Revendicare: [aici]
3) Model de predicție (cu incertitudine):
Rolul dvs.: cercetător de date. Construiți un model de prognoză pe termen scurt (Python) pentru [polluant] cu următoarele serii de timp. Dați fiecărei predicții intervalul său de încredere. Scrieți clar în ce condiții (eveniment fără antrenament, vreme extremă) modelul ar fi nefiabil. Pretinderea adevărului prea optimistă FAKE.Data: [aici]
4) Rezumatul contribuției la resurse:
Din datele privind calitatea aerului și vântul de mai jos, analizați din ce direcție vine vântul în timpul orelor cu poluare ridicată pentru a oferi un indiciu despre direcția posibilă a sursei. Nu spune direct „aceasta este sursa”; Oferă probabilitate și verificare. Date: [aici]
Greșeli comune
- Confundarea emisiei cu concentrarea. O scădere a coșului de fum nu înseamnă curățenie în aer.
- Bazându-se pe un senzor necalibrat. Umiditatea și deriva umfla valorile.
- Prezentarea devizului fără incertitudine. Fiecare estimare ar trebui să fie dată cu un interval de încredere.
- Faceți ca fizica să se potrivească cu AI. Modelul de distribuție necesită fizică; „Predicția” LLM nu este fizică.
- Amintirea pragurilor legale. Luați valorile limită din legislație.
Atenție: Mențiunile privind calitatea aerului se referă la sănătatea publică. O afirmație falsă „curată” pune oamenii în pericol; O alarmă „murdară” nefondată creează panică inutilă și daune economice. Sprijiniți fiecare afirmație cu date calibrate, model adecvat și incertitudine clară.
Pe scurt
Calitatea aerului; Necesită separarea emisiei de concentrație, calibrarea măsurătorilor, modelarea adecvată și predicția prezentată cu incertitudine. AI; Este puternic în curățarea datelor, extragerea modelelor și prognozarea pe termen scurt. Dar distribuția bazată pe fizică, calibrarea senzorilor, pragurile legale și raportarea sinceră a incertitudinii aparțin expertului. Numărul de pe coș nu este același cu aerul din cartier.
Sarcina de aplicare
Pregătiți date ipotetice PM2.5 și meteorologice pentru o locație. Cu primul șablon, solicitați AI să curețe datele, să le convertească în AQI și să marcheze depășirile pragului. Apoi construiți un model de prognoză pe termen scurt cu al treilea șablon și asigurați-vă că fiecare prognoză vine cu un interval de încredere. În cele din urmă, verificați declarația privind calitatea aerului pentru emisii/concentrație cu șablonul 2.
lista de verificare
- [ ] Am făcut corect distincția între emisie și concentrație.
- [ ] Am verificat datele senzorului pentru calibrare și deriva.
- [ ] Am obținut AQI și pragurile din formula/legislația corectă.
- [ ] Am prezentat estimările cu interval de încredere și limită de model.
- [ ] Nu am avut AI-ul să adapteze părțile care necesitau distribuție/fizică.
- [ ] Am susținut afirmațiile de sănătate publică cu dovezi.