ලාභ:
- විමෝචනය (මූලාශ්රයෙන්) සහ සාන්ද්රණය (වාතයේ මනිනු ලැබේ) අතර වෙනස හඳුනා ගැනීමට සහ ක්රමාංකනය කරන ලද දත්ත AQI බවට පරිවර්තනය කර එය එළිපත්ත සමඟ සංසන්දනය කිරීමේ හැකියාව
- කෙටි කාලීන පරිසර දූෂණ අනාවැකි ආකෘතියක් ගොඩනැගීමට සහ සෑම අනාවැකියක්ම විශ්වාසනීය කාල සීමාවන් සහ ආකෘති සීමාවන් සමඟ අවංකව ඉදිරිපත් කිරීමට ඇති හැකියාව
- ව්යාප්තිය/භෞතික විද්යාව අවශ්ය වන කෘත්රිම බුද්ධිය අනුවර්තනය කරන කොටස් නොමැතිව මහජන සෞඛ්ය හිමිකම් සඳහා සාක්ෂි සහිතව සහාය දැක්වීමේ හැකියාව
වායු දූෂණය අදෘශ්යමාන නමුත් මාරාන්තික ය: එය සෑම වසරකම මිලියන ගණනක් නොමේරූ මරණ ඇති කරන අතර දේශගුණික විපර්යාස සමඟ බැඳී ඇත. ආයතන තමන්ගේම විමෝචනය සහ අවට වාතයේ ගුණාත්මකභාවය යන දෙකටම වගකිව යුතුය. මෙම ඒකකය තුළ, ඔබ වාතයේ ගුණාත්මක පරාමිතීන්, මිනුම් සහ ආකෘතිකරණ ක්රම, AI සමඟ අනාවැකි සහ මේ සියල්ලේ සීමාවන් ඉගෙන ගනු ඇත.
පළමුව සංකල්ප. වාතයේ ගුණාත්මකභාවය සාමාන්යයෙන් මනිනු ලබන්නේ ප්රධාන දූෂක කිහිපයක් මත ය: PM2.5 සහ PM10 (2.5 සහ 10 මයික්රෝන වලට වඩා කුඩා අංශු - ශ්වසන දූවිලි), NO₂ (නයිට්රජන් ඩයොක්සයිඩ් - දහනයෙන්), SO₂ (සල්ෆර් ඩයොක්සයිඩ්), O₃ (භූමි මට්ටමේ ඕසෝන්), සහ CO (කාබන්). AQI (වායු තත්ත්ව දර්ශකය) යනු මෙම දූෂක ද්රව්ය මහජනතාවට තේරුම් ගත හැකි තනි වර්ණ/සංඛ්යා පරිමාණයක් (හොඳ-භයානක) බවට පරිවර්තනය කරන දර්ශකයයි. විමෝචනය යනු ප්රභවයෙන් මුදා හරින ලද ප්රමාණය වන අතර සාන්ද්රණය යනු වාතයේ සාන්ද්රණයයි; මේ දෙක පටලවා නොගැනීම ඉතා වැදගත්ය.
ඉඟිය: විමෝචනය (මූලාශ්රයෙන්) සහ සාන්ද්රණය (වාතයෙන් මනිනු ලැබේ) වෙනස් කරුණු දෙකකි. සුළඟ, උෂ්ණත්වය සහ භූ විෂමතාවය එකම විමෝචනය ඉතා වෙනස් සාන්ද්රණයන් ඇති කරයි. "චිමිනියෙන් පිටවීම අඩුයි" කීම "අසල වාතය පිරිසිදුයි" යන්නෙන් අදහස් නොවේ.
ආකෘති නිර්මාණය: විමෝචනයේ සිට සාන්ද්රණය දක්වා
දුම් කවුළුවෙන් පිටවන දූෂක සාන්ද්රණය ගණනය කිරීම අසල ඇති අසල්වැසි ප්රදේශයකට ළඟා වනු ඇත්තේ විසරණ ආකෘති නිර්මාණයකි. මෙම ආකෘතීන් කාලගුණ විද්යාව (සුළං දිශාව/වේගය, වායුගෝලීය ස්ථායීතාවය) සහ භූ විෂමතාවය භාවිතා කරයි. සම්භාව්ය ආකෘති (උදා. ගවුසියන් බෙදාහැරීමේ ආකෘතිය) භෞතික විද්යාව පදනම් වේ; AI මෙම ආකෘති වේගවත් කිරීමට, ප්රතිදානය අර්ථකථනය කිරීමට සහ විශාල මිනුම් දත්ත කට්ටල වලින් රටා උපුටා ගැනීමට භාවිතා කරයි - නමුත් භෞතික විද්යාව AI වලට සරිලන ලෙස "සැකසීම" භයානක ය.
අනාවැකිය: හෙට කාලගුණය පුරෝකථනය කිරීම
AI හි ප්රබලම ක්ෂේත්රය පුරෝකථනය වේ: ඓතිහාසික මිනුම්, කාලගුණ විද්යාව සහ ගමනාගමන දත්ත භාවිතා කරමින් හෙට හෝ පැය කිහිපයකට පසු දූෂක මට්ටම් පුරෝකථනය කරන ආකෘති ගොඩනැගීම. මෙය මහජන සෞඛ්ය අනතුරු ඇඟවීම් සහ පූර්වාරක්ෂාව (උදා: රථවාහන සීමා කිරීම) සඳහා වටිනා වේ. නමුත් සෑම අනාවැකියකටම අවිනිශ්චිතතාවයක් ඇති අතර, එය පුහුණු කරන ලද කොන්දේසි වලින් පිටත වැටෙන විට ආකෘතිය වැරදි වනු ඇත (උදාහරණයක් ලෙස, අනපේක්ෂිත ගින්නක්).
පියවරෙන් පියවර: වායු තත්ත්ව විශ්ලේෂණය
1. ප්රශ්නය සහ පරාමිතිය තෝරන්න. කුමන දූෂක, කුමන ස්ථානය, කුමන කාල සීමාවක් සඳහාද?
2. දත්ත මූලාශ්රය තහවුරු කරන්න. විමර්ශන ස්ථානය හෝ අඩු වියදම් සංවේදකය? කැලිබර්?
3. පූර්ව ක්රියාවලිය. නැතිවූ දත්ත, සංවේදක ප්ලාවිතය, අතිශයින් පිටස්තරයන් පිරිසිදු කරන්න.
4. AQI වෙත පරිවර්තනය කර එළිපත්ත සමඟ සසඳන්න. නීතිමය සීමාව ඉක්මවා තිබේද?
5. ආකෘතිය/අනාවැකි. ප්රවණතාවය, සෘතුමයභාවය, අනාගත ප්රක්ෂේපණය.
6. අවිනිශ්චිතභාවය වාර්තා කරන්න. සෑම විටම විශ්වාසනීය කාල පරාසයන් සහ ආකෘති සීමාවන් සමඟ ඇස්තමේන්තු ඉදිරිපත් කරන්න.
කුඩා නඩු තුනක්
නඩුව 1 - විමෝචන-සාන්ද්රණය ව්යාකූලත්වය. එක් පහසුකමකට අවශ්ය වූයේ එය එහි සමුච්චිත විමෝචනය 20% කින් අඩු කර ඇති බවත් එම නිසා "අසල්වැසි වාතය 20% පිරිසිදු බවත්" නිවේදනය කිරීමටය. විශේෂඥයා පෙන්වා දුන්නේ එම අවස්ථාවේ සුළඟේ දිශාව වෙනස් වූ අතර කාලගුණ විද්යාව මගින් සාන්ද්රණය සැබවින්ම බලපා ඇති බවයි; විමෝචනය අඩු කිරීම සැබෑ වූ නමුත් සාන්ද්රණ ප්රකාශය සනාථ නොකළේය. ප්රකාශය "අපි තොග විමෝචනය 20%කින් අඩු කළෙමු" යන්නට සීමා විය; සාක්ෂි නොමැතිව ගුවන් හිමිකම් පෑම ඉවත් කර ඇත.
නඩුව 2 - සංවේදක ක්රමාංකනය. අඩු වියදම් සංවේදකයක් සහිත "භයානක PM2.5" අනතුරු ඇඟවීමක් පාසලකට ලැබිණි. විශේෂඥයා සංවේදකය අසල ඇති විමර්ශන ස්ථානයට සංසන්දනය කළ විට, ඉහළ ආර්ද්රතාවයකදී අගය පුම්බා ඇති බව ඔහු සොයා ගත්තේය; ආර්ද්රතාවය නිවැරදි කිරීමෙන් පසුව, අගය "මධ්යම" මට්ටමට අඩු විය. ක්රමාංකනය නොකළ සංවේදකය භීතියට හේතු විය හැක. (සෑම මිනුම් ප්රදේශයකම සංවේදක ක්රමාංකනය කෙතරම් තීරණාත්මකද යන්න මෙය නැවත වරක් පෙන්වයි.)
නඩුව 3 - අනාවැකි අවිනිශ්චිතතාවය. මහ නගර සභාවක් එහි AI පුරෝකථන ආකෘතිය සමඟින් පසු දින "අධික දූෂණයක්" ගැන අනතුරු ඇඟවූ නමුත් අනපේක්ෂිත වැලි කුණාටුවක් අනාවැකිය ව්යර්ථ කළේය. මෙම ආකෘතිය "පුහුණු නොවන දත්ත සිදුවීම් සඳහා විශ්වාස කළ නොහැකි" බව කණ්ඩායම කලින් වාර්තා කර ඇත; එබැවින් අනතුරු ඇඟවීම "හැකි" ලෙස ඉදිරිපත් කරන ලද අතර විශ්වාසය අහිමි නොවීය. අවිනිශ්චිතභාවය පැහැදිලි කිරීම පුරෝකථනයේ වගකීම් සහගත භාවිතයයි.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
මෙම කාලගුණ දත්ත සමඟ හෙට අනාවැකි කරන්න.
එය දුර්වල වන්නේ ඇයි: පරාමිති, ස්ථානය, දත්ත ගුණාත්මකභාවය, ආකෘති වර්ගය සහ අවිනිශ්චිතතාවය සඳහා ඉල්ලුමක් නැත. ප්රතිදානය තනි අංකයක් වනු ඇත, එහි විශ්වසනීයත්වය නොදනී.
බලවත් විමසුම:
ඔබේ කාර්යභාරය: වායු තත්ත්ව දත්ත විද්යාඥයා. පහත PM2.5 පැයක දත්ත සහ කාලගුණ විද්යාව (සුළං, ආර්ද්රතාවය, උෂ්ණත්වය) සමඟින් ඉදිරි පැය 24 සඳහා Python හි සරල පුරෝකථන ආකෘතියක් (උදා: ශ්රේණිය වැඩි කිරීම) සකසන්න. පියවර: (1) දත්ත පිරිසිදු කිරීම සහ සංවේදක ප්ලාවිතය පාලනය කිරීම, (2) විශේෂාංග සකස් කිරීම, (3) ආකෘතිය, (4) විශ්වාසනීය පරතරයක් සහිතව අනාවැකි ලබා දීම. ආකෘතියේ සීමාවන් පැහැදිලිව සඳහන් කරන්න (අධ්යාපනික නොවන තත්වයන් තුළ අවිශ්වාසය). දත්ත: [මෙහි]
පිටපත් කළ හැකි සැකිලි හතරක්
1) වායු දත්ත පිරිසිදු කිරීම + AQI:
පයිතන් (යටි වෙඩි තැබීම, හිරවීම, ප්ලාවිතය, උඩින් වෙඩි තැබීම) සමඟ පහත වාතයේ ගුණාත්මක මිනුම් පිරිසිදු කර ඒවා සම්මත AQI බවට පරිවර්තනය කරන්න. ඔබ භාවිතා කරන AQI සූත්රය සඳහන් කරන්න; සවි කිරීම. නීතිමය සීමාව ඉක්මවන පැය ගණන් සලකුණු කරන්න. දත්ත: [මෙහි]
2) විමෝචනය එදිරිව සාන්ද්රණය වෙනස:
පහත හිමිකම් පෑම පරීක්ෂා කරන්න: එය විමෝචනය (මූලාශ්රයෙන්) හෝ සාන්ද්රණය (වාතයෙන් මනිනු ලැබේ) ගැනද? මෙම දෙක ව්යාකූල කරන හෝ කාලගුණ විද්යාව නොසලකා හරින කොටස් ඉස්මතු කර සාක්ෂි මත පදනම්ව මනින ලද නැවත ප්රකාශයක් යෝජනා කරන්න. හිමිකම් පෑම: [මෙහි]
3) පුරෝකථන ආකෘතිය (අවිනිශ්චිතතාවයකින්):
ඔබේ කාර්යභාරය: දත්ත විද්යාඥයා. පහත කාල ශ්රේණිය සමඟ [දූෂක] සඳහා කෙටි කාලීන පුරෝකථන ආකෘතියක් (පයිතන්) සාදන්න. සෑම අනාවැකියක්ම එහි විශ්වාසනීය පරතරය සමඟ දෙන්න. කුමන තත්වයන් යටතේ (පුහුණු නොවන සිදුවීම, ආන්තික කාලගුණය) ආකෘතිය විශ්වාස කළ නොහැකි වනු ඇත්ද යන්න පැහැදිලිව ලියන්න. ඕනෑවට වඩා ශුභවාදී සත්ය හිමිකම් ව්යාජ. දත්ත: [මෙහි]
4) සම්පත් දායක සාරාංශය:
පහත දැක්වෙන වාතයේ ගුණාත්මක භාවය සහ සුළං දත්ත වලින්, විය හැකි මූලාශ්ර දිශාව පිළිබඳ ඉඟියක් ලබා දීම සඳහා අධික දූෂිත වේලාවන්හිදී සුළඟ පැමිණෙන්නේ කුමන දිශාවෙන්ද යන්න විශ්ලේෂණය කරන්න. "මේක තමයි මූලාශ්රය" කියලා කෙලින්ම කියන්න එපා. සම්භාවිතාව සහ සත්යාපනය පිරිනැමීම. දත්ත: [මෙහි]
පොදු වැරදි
- සාන්ද්රණය සමඟ ව්යාකූල විමෝචනය. චිමිනියේ අඩුවීමක් වාතයේ පිරිසිදුකම අදහස් නොවේ.
- ක්රමාංකනය නොකළ සංවේදකයක් මත රඳා පවතී. ආර්ද්රතාවය සහ ප්ලාවිතය අගයන් පුම්බනවා.
- ඇස්තමේන්තුව අවිනිශ්චිතතාවයකින් තොරව ඉදිරිපත් කිරීම. සෑම ඇස්තමේන්තුවක්ම විශ්වාසනීය පරතරයක් සහිතව ලබා දිය යුතුය.
- AI සමඟ භෞතික විද්යාව සුදුසු කිරීම. බෙදාහැරීමේ ආකෘතියට භෞතික විද්යාව අවශ්ය වේ; LLM හි "අනාවැකි" භෞතික විද්යාව නොවේ.
- නීතිමය සීමාවන් මතක තබා ගැනීම. නීති සම්පාදනයෙන් සීමිත අගයන් ගන්න.
අවවාදයයි: වාතයේ ගුණාත්මක හිමිකම් මහජන සෞඛ්යය ගැන සැලකිලිමත් වේ. ව්යාජ "පිරිසිදු" හිමිකම් පෑමක් මිනිසුන් අවදානමට ලක් කරයි; පදනම් විරහිත "අපිරිසිදු" අනතුරු ඇඟවීමක් අනවශ්ය භීතියක් සහ ආර්ථික හානියක් ඇති කරයි. එක් එක් හිමිකම් පෑම සඳහා ක්රමාංකනය කළ දත්ත, සුදුසු ආකෘතිය සහ පැහැදිලි අවිනිශ්චිතභාවය සමඟින් සහාය දෙන්න.
සාරාංශයක් ලෙස
වාතයේ ගුණාත්මකභාවය; එයට සාන්ද්රණයෙන් විමෝචනය වෙන් කිරීම, මිනුම් ක්රමාංකනය කිරීම, යෝග්ය ආකෘතිකරණය සහ අවිනිශ්චිතතාවයෙන් ඉදිරිපත් කෙරෙන අනාවැකි අවශ්ය වේ. AI; එය දත්ත පිරිසිදු කිරීම, රටා නිස්සාරණය සහ කෙටි කාලීන අනාවැකි සඳහා බලවත් වේ. නමුත් භෞතික විද්යාව මත පදනම් වූ බෙදා හැරීම, සංවේදක ක්රමාංකනය, නීතිමය සීමාවන් සහ අවිනිශ්චිතභාවය පිළිබඳ අවංකව වාර්තා කිරීම විශේෂඥයාට අයත් වේ. චිමිනි මත ඇති අංකය අසල්වැසි වාතයට සමාන නොවේ.
යෙදුම් කාර්යය
ස්ථානයක් සඳහා උපකල්පිත පැයකට PM2.5 සහ කාලගුණ දත්ත සකස් කරන්න. 1 වන අච්චුව සමඟ, AI දත්ත පිරිසිදු කර, AQI බවට පරිවර්තනය කර, සීමාව ඉක්මවීම් සලකුණු කරන්න. ඉන්පසු 3 වන අච්චුව සමඟ කෙටි කාලීන අනාවැකි ආකෘතියක් ගොඩනඟා සෑම අනාවැකියක්ම විශ්වාසනීය පරතරයක් ඇති බවට වග බලා ගන්න. අවසාන වශයෙන්, අච්චු 2 සමඟින් විමෝචන/සාන්ද්රණය සඳහා ඔබේ වායු තත්ත්ව හිමිකම් විගණනය කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම විමෝචනය සහ සාන්ද්රණය අතර වෙනස නිවැරදිව සිදු කළෙමි.
- [ ] මම ක්රමාංකනය සහ ප්ලාවිතය සඳහා සංවේදක දත්ත පරීක්ෂා කළෙමි.
- [ ] මම නිවැරදි සූත්රය/නීති සම්පාදනයෙන් AQI සහ සීමාවන් ලබා ගත්තෙමි.
- [ ] මම ඇස්තමේන්තු විශ්වාස අන්තරාලය සහ ආදර්ශ සීමාව සමඟ ඉදිරිපත් කළෙමි.
- [ ] බෙදා හැරීම / භෞතික විද්යාව අවශ්ය කොටස් අනුවර්තනය කිරීමට AI මා සතුව නොතිබුණි.
- [ ] මම සාක්ෂි සහිතව මහජන සෞඛ්ය හිමිකම් පෑමට සහාය දැක්වුවෙමි.