Прибыль:
- Возможность различать выбросы (из источника) и концентрацию (измеренную в воздухе), преобразовывать откалиброванные данные в AQI и сравнивать их с пороговыми значениями.
- Способность построить модель краткосрочного прогнозирования загрязнения и честно представлять каждый прогноз с доверительными интервалами и пределами модели.
- Способность подкреплять утверждения общественного здравоохранения доказательствами без необходимости использования искусственного интеллекта для адаптации частей, требующих распространения/физики.
Загрязнение воздуха незаметно, но смертельно опасно: оно ежегодно приводит к миллионам преждевременных смертей и неразрывно связано с изменением климата. Учреждения несут ответственность как за выбросы из дымовых труб, так и за качество воздуха вокруг них. В этом модуле вы изучите параметры качества воздуха, методы измерения и моделирования, прогнозирование с помощью ИИ и ограничения всего этого.
Сначала концепции. Качество воздуха обычно измеряется по нескольким основным загрязнителям: PM2,5 и PM10 (твердые частицы размером менее 2,5 и 10 микрон — вдыхаемая пыль), NO₂ (диоксид азота — в результате сгорания), SO₂ (диоксид серы), O₃ (приземный озон) и CO (окись углерода). AQI (индекс качества воздуха) — это индекс, который преобразует эти загрязнители в единую цветную/нумерованную шкалу (полезно-опасно), понятную населению. Выбросы — это количество, выделяемое из источника, а концентрация — это концентрация в воздухе; Очень важно не путать эти два понятия.
Подсказка: выбросы (от источника) и концентрация (измеренная в воздухе) — это две разные вещи. Ветер, температура и топография приводят к тому, что одни и те же выбросы приводят к совершенно разным концентрациям. Сказать «из трубы меньше выходит» не значит «воздух рядом чистый».
Моделирование: от выбросов к концентрации
Расчет концентрации загрязняющего вещества, выходящего из дымохода и достигающего близлежащих районов, является вопросом моделирования рассеяния. Эти модели используют метеорологию (направление/скорость ветра, стабильность атмосферы) и топографию. Классические модели (например, модель распределения Гаусса) основаны на физике; ИИ используется для ускорения этих моделей, интерпретации результатов и извлечения закономерностей из больших наборов данных измерений, но «вписывать» физику в ИИ опасно.
Прогноз: предсказание погоды на завтра
Самая сильная область ИИ — прогнозирование: построение моделей, которые предсказывают уровни загрязнения завтра или через несколько часов, используя исторические измерения, метеорологические данные и данные о дорожном движении. Это ценно для предупреждений и мер предосторожности для здоровья населения (например, ограничения движения). Но в каждом прогнозе есть неопределенность, и модель будет ошибочной, если выйдет за рамки условий, в которых она обучалась (например, неожиданный пожар).
Шаг за шагом: анализ качества воздуха
1. Выберите вопрос и параметр. Какой загрязнитель, в каком месте и в течение какого времени?
2. Проверьте источник данных. Опорная станция или недорогой датчик? Калибр?
3. Предварительная обработка. Устраните недостающие данные, дрейф датчика, крайние выбросы.
4. Преобразуйте в AQI и сравните с порогом. Превышен ли установленный законом предел?
5. Модель/прогнозирование. Тенденция, сезонность, прогноз на будущее.
6. Сообщайте о неопределенности. Всегда представляйте оценки с доверительными интервалами и пределами модели.
три мини-кейса
Случай 1. Путаница в концентрации выбросов. Одно предприятие хотело объявить, что оно сократило выбросы из дымовой трубы на 20% и, следовательно, «воздух в районе стал на 20% чище». Эксперт показал, что в это время изменилось направление ветра и на концентрацию на самом деле повлияла метеорология; Сокращение выбросов было реальным, но утверждение о концентрации было необоснованным. Заявление ограничивалось словами «мы сократили выбросы дымовых газов на 20%»; Воздушная претензия без удаления доказательств.
Случай 2 — Калибровка датчика. Школа получила предупреждение об «опасном PM2,5» с помощью недорогого датчика. Когда эксперт сравнил датчик с ближайшей опорной станцией, он обнаружил, что значение завышено при высокой влажности; После коррекции влажности значение снизилось до «среднего» уровня. Некалиброванный датчик может вызвать панику. (Это еще раз показывает, насколько важна калибровка датчика в каждой области измерения.)
Случай 3. Неопределенность прогноза. Муниципалитет предупредил о «высоком загрязнении» на следующий день с помощью своей прогнозной модели искусственного интеллекта, но неожиданная песчаная буря сорвала прогноз. Ранее команда сообщала, что модель «ненадежна для событий с данными, не относящимися к обучению»; поэтому предупреждение было представлено как «возможное», и не было потери доверия. Прояснение неопределенности – это ответственное использование прогнозов.
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Прогнозируйте завтрашний день с помощью этих данных о погоде.
Почему он слабый: нет требований к параметрам, местоположению, качеству данных, типу модели и неопределенности. Результатом будет одно число, достоверность которого неизвестна.
Мощная подсказка:
Ваша роль: специалист по данным о качестве воздуха. Используя следующие почасовые данные о PM2,5 и метеорологические данные (ветер, влажность, температура), настройте простую модель прогноза (например, повышение градиента) в Python на следующие 24 часа. Шаги: (1) очистка данных и контроль дрейфа датчика, (2) подготовка признаков, (3) модель, (4) предоставление прогнозов с доверительным интервалом. Четко укажите ограничения модели (ненадежность в необразовательных ситуациях). Данные: [здесь]
Четыре копируемых шаблона
1) Очистка данных воздуха + AQI:
Очистите следующие измерения качества воздуха с помощью Python (недолет, застревание, дрейф, перелет) и преобразуйте их в стандартный AQI. Укажите, какую формулу AQI вы используете; примерка. Отмечайте часы, превышающие установленный законом порог. Данные: [здесь]
2) Различие выбросов и концентраций:
Проверьте следующее утверждение: речь идет о выбросах (из источника) или концентрации (измеренной в воздухе)? Выделите части, которые путают эти два понятия или игнорируют метеорологию, и предложите взвешенное повторение, основанное на фактических данных. Претензия: [здесь]
3) Модель прогнозирования (с неопределенностью):
Ваша роль: специалист по данным. Создайте модель краткосрочного прогноза (Python) для [загрязнителя] с использованием следующих временных рядов. Дайте каждому прогнозу его доверительный интервал. Четко напишите, при каких условиях (нетренировочное мероприятие, экстремальная погода) модель будет ненадежной. Чрезмерно оптимистичное заявление о правде FAKE.Data: [здесь]
4) Сводная информация о вкладе ресурсов:
На основе приведенных ниже данных о качестве воздуха и ветре проанализируйте, откуда дует ветер в часы высокого загрязнения, чтобы получить представление о возможном направлении источника. Не говорите прямо: «Это источник»; Предложите вероятность и проверку. Данные: [здесь]
Распространенные ошибки
- Путаница выброса с концентрацией. Уменьшение дымохода не означает чистоту воздуха.
- Опираясь на некалиброванный датчик. Влажность и дрейф увеличивают значения.
- Представление оценки без неопределенности. Каждая оценка должна быть дана с доверительным интервалом.
- Приведение физики в соответствие с искусственным интеллектом. Модель распределения требует физики; «Предсказание» LLM — это не физика.
- Помня о юридических порогах. Предельные значения возьмите из законодательства.
Внимание: претензии по качеству воздуха касаются общественного здравоохранения. Ложное заявление о «чистоте» подвергает людей риску; Необоснованная «грязная» тревога порождает ненужную панику и экономический ущерб. Подкрепите каждое утверждение калиброванными данными, соответствующей моделью и четкой неопределенностью.
В заключение
Качество воздуха; Это требует отделения выбросов от концентрации, калибровки измерений, соответствующего моделирования и прогнозирования, сопряженного с неопределенностью. ИИ; Он эффективен для очистки данных, извлечения закономерностей и краткосрочного прогнозирования. Но распределение на основе физики, калибровка датчиков, правовые пороговые значения и честное сообщение о неопределенности принадлежат эксперту. Число на дымоходе не совпадает с количеством воздуха в округе.
Задача приложения
Подготовьте гипотетические ежечасные PM2,5 и метеорологические данные для определенного места. С помощью 1-го шаблона ИИ очистит данные, преобразует их в AQI и отмечает превышение пороговых значений. Затем постройте модель краткосрочного прогноза с помощью третьего шаблона и убедитесь, что каждый прогноз имеет доверительный интервал. Наконец, проведите проверку вашего заявления о качестве воздуха на предмет выбросов/концентрации с помощью шаблона 2.
контрольный список
- [ ] Я правильно провел различие между выбросами и концентрацией.
- [ ] Я проверил данные датчика на калибровку и дрейф.
- [ ] Я получил AQI и пороговые значения из правильной формулы/законодательства.
- [ ] Я представил оценки с доверительным интервалом и пределом модели.
- [ ] У меня не было возможности ИИ адаптировать те части, которые требовали распространения/физики.
- [ ] Я поддержал утверждения общественного здравоохранения доказательствами.