ලාභ:
- AI-බලවත් Python කේතය සමඟ පාරිසරික දත්ත පිරිසිදු කිරීමේ සහ විශ්ලේෂණ කාර්යයන් ස්වයංක්රීය කිරීමේ හැකියාව
- ඒකක පරීක්ෂා කිරීම, පරීක්ෂා කිරීම සහ එජ් කේස් සමඟ AI-ජනනය කරන ලද කේතය සත්යාපනය කිරීමේ හැකියාව
- රහස්ය/පෞද්ගලික පාරිසරික දත්ත සහ වගකිවයුතු AI භාවිතය ආරක්ෂා කිරීමේ මූලධර්ම යෙදීමේ හැකියාව
මොඩියුල විභාගය
1. අපජල පවිත්රාගාරයක විසර්ජන සීමාව පිළිබඳව ඔබ AI ගෙන් විමසූ අතර, 'ජල දූෂණ පාලන රෙගුලාසියේ 19 වන වගුවට අනුව COD සඳහා 120 mg/L' ආකෘතියෙන් පිළිතුරු ලබා දී ඇත. වඩාත්ම නිවැරදි හැසිරීම කුමක්ද?
- A) වත්මන් රෙගුලාසියේ නිල පාඨයෙන් වටිනාකම සහ යොමු වගුව තහවුරු කිරීම ✔
- B) AI වත්මන් ආකෘතියක් බැවින්, විසර්ජන අවසර පත්රයට අගය කෙලින්ම ලිවීම
- C) ඒකකය mg/L සිට g/L දක්වා පරිවර්තනය කර භාවිතා කරන්න
- D) AI ගෙන් අසන්න 'ඔබට විශ්වාසද?' සහ 'ඔව්' යන පිළිතුරෙන් සෑහීමකට පත් වන්න
පැහැදිලි කිරීම: LLM හට සංඛ්යානමය වශයෙන් පිළිගත හැකි නමුත් සැබෑ නොවන (මායාව) කඩඉම් ලකුණු සහ වගු/අයිතම අංක නිපදවිය හැක. විසර්ජන සීමාව අංශය, ලැබෙන පරිසරය සහ වත්මන් නියාමනය අනුව වෙනස් වේ; නිල රෙගුලාසි පාඨයෙන් (නිල ගැසට් පත්රයෙන්) සත්යාපනය නොකර අගය සහ යොමු වගුව භාවිතා කිරීම අනුකූල නොවීම සහ දඩයකට තුඩු දෙනු ඇත.
2. සක්රීය රොන්මඩ පද්ධතියක F/M (පෝෂක/ක්ෂුද්ර ජීවීන්) අනුපාතය ඉතා අඩු නම් සාමාන්යයෙන් අපේක්ෂා කරන්නේ කුමක්ද?
- A) කාබනික බර ඉතා ඉහළ මට්ටමක පවතින අතර රොන්මඩ තරුණ ලෙස පවතී
- B) ඉතා වයස්ගත රොන්මඩ සහ අභ්යන්තර ශ්වසනය මගින් පාලනය වන මෙහෙයුම් තත්වයක් ✔
- C) වාතාශ්රය සම්පූර්ණයෙන්ම අනවශ්ය වන තත්වයක්
- D) විසර්ජන සීමාවන් ස්වයංක්රීයව පවත්වා ගෙන යන බවට සාක්ෂි
පැහැදිලි කිරීම: F/M අනුපාතය ක්ෂුද්ර ජීවීන්ගේ ස්කන්ධයකට කාබනික භාරය ප්රකාශ කරයි. ඉතා අඩු F/M යනු ක්ෂුද්ර ජීවීන් සාගින්නෙන් පෙළෙන සහ අභ්යන්තර ශ්වසනයට මාරු වන මෙහෙයුම් තත්වයකි, රොන් මඩ අධික ලෙස පැරණි වන අතර ඉඳිකටු සෑදීම / විසුරුවා හරින ලද රොන්මඩ සහ අවසාදිත ගැටළු සාමාන්යයෙන් නිරීක්ෂණය කළ හැකිය. AI විසින් F/M අගයක් අර්ථකථනය කරන්නේ නම්, එය රොන්මඩ වයස, SVI සහ රසායනාගාර දත්ත සමඟ සත්යාපනය කිරීම අවශ්ය වේ.
3. ඔබ දුම් වායු විමෝචන ගණනය කිරීමේදී විමෝචන සාධකය භාවිතා කරමින් වාර්ෂික NOx භාරය තක්සේරු කිරීමට AI භාවිතා කළේය. ඔබට ආරක්ෂිතව ප්රතිඵලය වාර්තා කිරීමට පෙර ඔබ කළ යුත්තේ කුමක්ද?
- A) ප්රතිඵලය වට කර එය සෘජුවම විමෝචන ඉන්වෙන්ටරියට ඇතුළත් කරන්න
- B) ප්රස්ථාරයේ වර්ණ නිවැරදි කර වාර්තාව ප්රකාශයට පත් කරන්න
- C) NOx වෙනුවට වැරදීමකින් CO2 ගණනය කළත් ප්රතිඵලය භාවිතා කිරීම
- D) භාවිතා කරන ලද විමෝචන සාධකය, මූලාශ්රය, ඒකකය සහ ක්රියාකාරකම් දත්ත මුද්රණය කර ගණනය කිරීම සත්යාපනය කරන්න ✔
පැහැදිලි කිරීම: එය විමෝචනය = සාධකය × ක්රියාකාරකම් ප්රමාණය පිළිබඳ තර්කනය සමඟ ක්රියා කරයි. AI වැරදි විමෝචන සාධකයක් (වැරදි ඉන්ධන, වැරදි ඒකකය, යල් පැන ගිය මූලාශ්රය) භාවිතා කළ හැක. භාවිතා කරන ලද සාධකය, එහි මූලාශ්රය, ඒකකය සහ ක්රියාකාරකම් දත්ත පැහැදිලිව මුද්රණය කර එය නිල විමෝචන සාධක ප්රභවයක් සමඟ සංසන්දනය කිරීමෙන් ගණනය කිරීම ප්රතිනිෂ්පාදනය කිරීම අවශ්ය වේ (උදා: EMEP/EEA හෝ ජාතික මාර්ගෝපදේශය).
4. අපද්රව්ය කළමනාකරණයේදී 'අපද්රව්ය ධුරාවලිය' මූලධර්මය අනුව ප්රමුඛතා අනුපිළිවෙල පහත සඳහන් කවරක් ද?
- A) බැහැර කිරීම> ප්රතිසාධනය> ප්රතිචක්රීකරණය> නැවත භාවිතය> වැළැක්වීම
- B) ප්රතිචක්රීකරණය > බැහැර කිරීම > වැළැක්වීම > නැවත භාවිතය > යථා තත්ත්වයට පත් කිරීම
- C) වැළැක්වීම > නැවත භාවිතය > ප්රතිචක්රීකරණය > ප්රතිසාධනය > බැහැර කිරීම ✔
- D) නැවත භාවිතා කිරීම > බැහැර කිරීම > වැළැක්වීම > ප්රතිචක්රීකරණය > ප්රතිසාධනය
පැහැදිලි කිරීම: අපද්රව්ය ධූරාවලිය, බොහෝ දුරට සිට අවම වශයෙන්, වේ: වැළැක්වීම (අඩු කිරීම) > නැවත භාවිතය > ප්රතිචක්රීකරණය > (බලශක්තිය) ප්රතිසාධනය > බැහැර කිරීම (කසළ පිරවීම). AI විසින් අපද්රව්ය කළමනාකරණ සැලැස්මක් කෙටුම්පත් කළද, මෙම අනුපිළිවෙල සහ යෝජිත බැහැර කිරීමේ ක්රමය නීති සම්පාදනයට සහ අපද්රව්ය ගුනාංගීකරනයට අනුකූල වන බව තහවුරු කළ යුතුය.
5. AI විසින් කෙටුම්පත් EIA වාර්තාවක ලියා ඇත්තේ 'ව්යාපෘතියක පාරිසරික බලපෑම නොසැලකිය හැකි' බවයි. මෙම නිමැවුම සඳහා හොඳම ඉංජිනේරු ආකල්පය කුමක්ද?
- A) ක්ෂේත්ර දත්ත, ආකෘති නිර්මාණය සහ ප්රවීණ ඇගැයීම් සමඟ එය සත්යාපනය නොකර වාර්තාවේ බලපෑම් විනිශ්චය නොලියීම ✔
- B) AI මධ්යස්ථ බැවින්, ප්රකාශය නිගමනයේ පරිදි තබන්න
- C) වාක්යය වඩාත් විධිමත් භාෂාවකින් නැවත ලියන්න
- D) බලපෑම් තක්සේරුව සම්පූර්ණයෙන් මඟ හැරීම සහ අවසරය සඳහා සෘජුවම අයදුම් කිරීම
විස්තරය: EIA හි බලපෑම් තක්සේරුව; ක්ෂේත්ර දත්ත, ලැබෙන පාරිසරික සංවේදීතාව, සමුච්චිත බලපෑම් සහ නියාමන සීමාවන් මත පදනම්ව. AI හට දත්ත තුළ පදනම් නොවී 'නොසැලකිය යුතු' වැනි විනිශ්චයක් ඉදිරිපත් කළ හැකිය. මෙය උපකල්පනයක්/සටහනක් ලෙස ගත යුතුය; මිනුම්, ආකෘති නිර්මාණය සහ විශේෂඥ ඇගයීම් මගින් සත්යාපනය නොකර වාර්තාවේ අවසාන විනිශ්චයක් ලෙස බලපෑම ප්රමාණය ලිවිය යුතු නැත.
6. අඛණ්ඩ අධීක්ෂණ මධ්යස්ථානයෙන් PM10 කාල ශ්රේණියක් තුළ, AI විසින් හදිසි 'අතිරේකයක්' (ඉහළ එළිපත්ත අගය) සලකුණු කරන ලදී. වඩාත්ම තීරණාත්මක වන්නේ කුමන සත්යාපන පියවරද?
- A) නිල ඉක්මවා දැනුම් දීමක් ලෙස ලකුණ සෘජුවම නිලධාරියාට යැවීම
- B) අමු දත්ත, සංවේදක QA/QC කොඩි, ක්රමාංකනය සහ අසල්වැසි ස්ථාන දත්ත පරීක්ෂා කිරීම ✔
- C) ප්රස්ථාරය සුමට කිරීම සහ අධිප්රමාණය සැඟවීම
- D) එළිපත්ත ඉහළ නැංවීම සහ අතිරික්තය නොපෙනෙන බව සහතික කිරීම
පැහැදිලි කිරීම: සංවේදක දත්තවල හදිසි පැනීම සැබෑ දූෂණ සිදුවීමක් විය හැකි නමුත් සංවේදක දෝෂයක්, ක්රමාංකන ප්ලාවිතය, නඩත්තු කවුළුවක් හෝ දත්ත සම්ප්රේෂණ දෝෂයක් ද විය හැකිය. overshoot සැබෑ ලෙස පිළිගැනීමට පෙර, අමු දත්ත, සංවේදක QA/QC කොඩි, ක්රමාංකන ලොගය සහ අසල්වැසි ස්ථාන/කාලගුණ විද්යා දත්ත බැලීමෙන් එය සත්යාපනය කිරීම අවශ්ය වේ; එසේ නොමැතිනම් ව්යාජ අනතුරු ඇඟවීමක් හෝ මග හැරුණු සිදුවීමක් සිදුවනු ඇත.
7. ආයතනික කාබන් පියසටහන් ගණනය කිරීමේදී 'Scope 2' විමෝචනය යන්නෙන් අදහස් කරන්නේ කුමක්ද?
- A) සැපයුම් දාමය සහ නිෂ්පාදන භාවිතය හේතුවෙන් ඇතිවන සියලුම වක්ර විමෝචන
- B) පහසුකම තුළ ඉන්ධන දහනයෙන් සෘජු විමෝචනය
- C) මිලදී ගත් විදුලිය, වාෂ්ප සහ උණුසුම/සිසිලනය වක්ර විමෝචනය ✔
- D) අපද්රව්ය බැහැර කිරීමෙන් සිදුවන විමෝචන පමණි
විස්තරය: විෂය පථය 1 සෘජු විමෝචන ආවරණය කරයි (ඔබේ ම පහසුකම තුළ ඉන්ධන දහනය, වාහන ඇණිය), විෂය පථය 2 මගින් වක්ර මිලදී ගත් බලශක්ති විමෝචන ආවරණය කරයි (විදුලිය, වාෂ්ප, උණුසුම / සිසිලනය), විෂය පථය 3 අගය දාමයේ අනෙකුත් වක්ර විමෝචන ආවරණය කරයි (සැපයුම, ප්රවාහනය, නිෂ්පාදන භාවිතය). AI විසින් කෙටුම්පත් බඩු තොගයක් නිපදවන නමුත්, එය භාවිතා කරන විමෝචන සාධක සහ විෂය පථ වර්ගීකරණය වලංගු කළ යුතුය.
8. දුරස්ථ සංවේදනය NDVI (සාමාන්ය වෙනස් වෘක්ෂලතා දර්ශකය) හි ඉහළ අගයක් ලබා දෙන විට, මෙය සාමාන්යයෙන් පෙන්නුම් කරන්නේ කුමක්ද?
- A) ගැඹුරු සහ පිරිසිදු ජල ශරීරය
- B) හිස් පාෂාණ සහ පස
- C) අධික වායු දූෂණ සාන්ද්රණය
- D) ඝන සහ නිරෝගී හරිත වෘක්ෂලතා ✔
විස්තරය: NDVI ගණනය කරනු ලබන්නේ ආසන්න අධෝරක්ත කිරණ සහ රතු කලාපවල වෙනසෙහි අනුපාතය ලෙස ඒවායේ එකතුවට වන අතර එය සාමාන්යයෙන් -1 සහ +1 අතර වේ. ඉහළ ධනාත්මක අගයන් ඝන, සෞඛ්ය සම්පන්න හරිත වෘක්ෂලතා පෙන්නුම් කරයි; ජලය සහ හිස් පස අඩු හෝ සෘණ අගයන් ලබා දෙයි. AI විසින් NDVI අර්ථකථනයක් සිදු කළද, වලාකුළු, සෙවනැල්ල, සමය සහ සංවේදක ක්රමාංකන බලපෑම් භූගත සත්යය සමඟ සත්යාපනය කළ යුතුය.
9. ඔබ AI වෙතින් පාරිසරික නීති සම්පාදනය පිළිබඳ ප්රශ්නයක් ඇසූ අතර ආකෘතිය නිශ්චිත නියාමන ලිපියකට අදාළව පැහැදිලි සීමා අගයක් ලබා දුන්නේය. නිල යෙදුමක මෙම තොරතුරු භාවිතා කිරීමට පෙර අනිවාර්යය වන්නේ කුමක්ද?
- A) වත්මන් නිල මූලාශ්රයෙන් ද්රව්ය අංකය, සීමාවේ අගය සහ වලංගු තත්ත්වය තහවුරු කිරීම ✔
- B) අයදුම්පත්රයේ AI විසින් ලබා දී ඇති ලිපි අංකය එලෙසම ලියන්න.
- C) වාක්යය විධිමත් ශෛලියකින් නැවත ලියන්න
- D) AI පිළිතුරු එකකට වඩා ලබා දෙන බැවින් සාමාන්යය ගැනීම
පැහැදිලි කිරීම: LLMs විසින් නොපවතින ලිපි අංක, අවලංගු කරන ලද රෙගුලාසි, හෝ වැරදි කඩඉම් ලකුණු ඉදිරිපත් කර වත්මන් දින තොරතුරු නොමැතිව ඉදිරිපත් කළ හැක. වත්මන් නිල මූලාශ්රයෙන් (නිල ගැසට් පත්රය, නීති සම්පාදන ද්වාරයෙන්) ක්රියාත්මක වන දිනය සමඟ තහවුරු නොකර නිල ගනුදෙනු වලදී ව්යවස්ථාදායක යොමු සහ සීමා අගය භාවිතා කළ නොහැක.
10. AI-ජනනය කරන ලද Python පිටපතක් පිරිසිදු කිරීමට සහ ප්රවණතා අධීක්ෂණ ස්ථාන දත්ත භාවිතා කිරීමට පෙර සත්ය කුමක්ද?
- A) කේතය දෝෂයකින් තොරව ක්රියා කරන බැවින් ප්රවණතා ප්රතිඵලය කෙලින්ම වාර්තාවට දැමීම
- B) විචල්ය නම් කෙටි කර විවරණ රේඛා මකා දමන්න
- C) සියලුම raw tracking දත්ත සහිත ස්ක්රිප්ට් එක රාජ්ය සේවයකට උඩුගත කිරීම
- D) දන්නා ප්රතිඵල සහිත පරීක්ෂණ සමඟින් තහවුරු කරන්න, ඒකක පරීක්ෂා කිරීම සහ එජ් කේස්, සහ දත්ත රහස්යභාවය ආරක්ෂා කරන්න ✔
විස්තරය: AI කේතයේ වැරදි ඒකක පරිවර්තනය, වැරදි අතුරුදහන් දත්ත පිරවීම, වැරදි දින විග්රහ කිරීම, හෝ අන්ත අවස්ථා වලදී නිහඬ දෝෂ අඩංගු විය හැක. කේතය; දන්නා ප්රතිඵල සහිත කුඩා පරීක්ෂණ දත්ත, පරිමාව/ප්රමාණය පරීක්ෂා කිරීම සහ දාර අවස්ථා (අතුරුදහන් අගය, සෘණ කියවීම, ද්විත්ව වාර්තාව) සමඟ වලංගු කර ඇත; අතිරේකව, පුද්ගලික/රහස්ය දත්ත අවසරයකින් තොරව බාහිර සේවාවන් වෙත නොයැවිය යුතුය. ප්රතිඵලය ඉංජිනේරු විනිශ්චය මගින් තහවුරු වේ.