Dobički:
- Sposobnost razlikovanja med emisijami (iz vira) in koncentracijo (merjeno v zraku) ter pretvorbo umerjenih podatkov v AQI in primerjavo s pragovi
- Sposobnost izdelave kratkoročnega modela napovedi onesnaženja in poštene predstavitve vsake napovedi z intervali zaupanja in omejitvami modela
- Zmožnost podpiranja trditev o javnem zdravju z dokazi, ne da bi umetna inteligenca prilagodila dele, ki zahtevajo distribucijo/fiziko
Onesnaženost zraka je nevidna, a smrtonosna: vsako leto povzroči na milijone prezgodnjih smrti in je prepletena s podnebnimi spremembami. Institucije so odgovorne tako za lastne emisije iz dimnikov kot za kakovost zraka okoli sebe. V tej enoti se boste naučili parametrov kakovosti zraka, metod merjenja in modeliranja, napovedovanja z AI in omejitev vsega tega.
Najprej pojmi. Kakovost zraka se običajno meri glede na več glavnih onesnaževal: PM2,5 in PM10 (trdni delci, manjši od 2,5 in 10 mikronov – vdihljiv prah), NO₂ (dušikov dioksid – iz izgorevanja), SO₂ (žveplov dioksid), O₃ (prizemni ozon) in CO (ogljikov monoksid). AQI (indeks kakovosti zraka) je indeks, ki pretvori ta onesnaževala v enobarvno/oštevilčeno lestvico (dobro-nevarno), ki jo lahko javnost razume. Emisija je količina, sproščena iz vira, koncentracija pa koncentracija v zraku; Ključnega pomena je, da teh dveh ne zamenjate.
Namig: Emisija (iz vira) in koncentracija (merjena v zraku) sta dve različni stvari. Veter, temperatura in topografija povzročijo, da iste emisije povzročijo zelo različne koncentracije. Rek "iz dimnika prihaja manj" ne pomeni, da je zrak v bližini čist.
Modeliranje: od emisije do koncentracije
Izračun koncentracije onesnaževala, ki prihaja iz dimnika in bo doseglo bližnjo sosesko, je stvar disperzijskega modeliranja. Ti modeli uporabljajo meteorologijo (smer/hitrost vetra, atmosferska stabilnost) in topografijo. Klasični modeli (npr. model Gaussove porazdelitve) temeljijo na fiziki; Umetna inteligenca se uporablja za pospešitev teh modelov, interpretacijo rezultatov in ekstrahiranje vzorcev iz velikih naborov merilnih podatkov - vendar je nevarno fiziko "narediti" primerno za AI.
Napoved: napovedovanje jutrišnjega vremena
Najmočnejše področje umetne inteligence je napovedovanje: izdelava modelov, ki napovedujejo ravni onesnaževal jutri ali nekaj ur kasneje, z uporabo zgodovinskih meritev, meteoroloških in prometnih podatkov. To je dragoceno za javnozdravstvena opozorila in previdnostne ukrepe (npr. omejitev prometa). Toda vsaka napoved ima negotovost in model bo napačen, če ne bo izven pogojev, v katerih je bil urjen (na primer nepričakovan požar).
Korak za korakom: analiza kakovosti zraka
1. Izberite vprašanje in parameter. Katero onesnaževalo, katera lokacija, koliko časa?
2. Preverite vir podatkov. Referenčna postaja ali poceni senzor? Kaliber?
3. Predhodni postopek. Počisti manjkajoče podatke, zamik senzorja, ekstremne odstopanja.
4. Pretvorite v AQI in primerjajte s pragom. Je zakonska meja presežena?
5. Modeliraj/napoveduj. Trend, sezonskost, projekcija prihodnosti.
6. Poročilo o negotovosti. Vedno predstavite ocene z intervali zaupanja in omejitvami modela.
trije mini kovčki
Primer 1 – Zmeda koncentracija emisij. En objekt je želel objaviti, da je zmanjšal svoje emisije dimnikov za 20 % in je zato "zrak v soseski 20% čistejši". Izvedenec je pokazal, da se je smer vetra takrat spremenila in je na koncentracijo dejansko vplivala meteorologija; Zmanjšanje emisij je bilo dejansko, vendar trditev o koncentraciji ni bila utemeljena. Izjava je bila omejena na "zmanjšali smo emisije dimnikov za 20%"; Zračni zahtevek brez odstranjenih dokazov.
Primer 2 – Kalibracija senzorja. Šola je prejela opozorilo o "nevarnih delcih PM2,5" s poceni senzorjem. Ko je strokovnjak senzor primerjal z bližnjo referenčno postajo, je ugotovil, da je bila vrednost pri visoki vlažnosti napihnjena; Po korekciji vlažnosti se je vrednost znižala na "srednjo" raven. Neumerjen senzor lahko povzroči paniko. (To še enkrat kaže, kako kritična je kalibracija senzorja na vsakem merilnem območju.)
Primer 3 – Negotovost napovedi. Občina je naslednji dan s svojim modelom napovedi z umetno inteligenco opozorila na "veliko onesnaženje", vendar je nepričakovan peščeni vihar prekrižal napoved. Ekipa je že poročala, da je model "nezanesljiv za dogodke podatkov, ki niso povezani z usposabljanjem"; zato je bilo opozorilo predstavljeno kot "možno" in ni prišlo do izgube zaupanja. Razjasnitev negotovosti je odgovorna uporaba napovedi.
Šibek poziv/močan poziv
Šibek poziv:
Napovedujte jutri s temi vremenskimi podatki.
Zakaj je šibek: Ni povpraševanja po parametrih, lokaciji, kakovosti podatkov, vrsti modela in negotovosti. Izhod bi bila ena sama številka, njena zanesljivost pa ni znana.
Močan poziv:
Vaša vloga: znanstvenik za podatke o kakovosti zraka. Z naslednjimi urnimi podatki PM2,5 in meteorologijo (veter, vlažnost, temperatura) nastavite preprost model napovedi (npr. povečanje gradienta) v Pythonu za naslednjih 24 ur. Koraki: (1) čiščenje podatkov in nadzor premika senzorja, (2) priprava lastnosti, (3) model, (4) podajanje napovedi z intervalom zaupanja. Jasno navedite omejitve modela (nezanesljivost v neučnih situacijah). Podatki: [tukaj]
Štiri predloge za kopiranje
1) Čiščenje podatkov zraka + AQI:
Počistite naslednje meritve kakovosti zraka s Pythonom (spodnji, zataknjeni, zanašani, preseženi) in jih pretvorite v standardni AQI. Navedite, katero formulo AQI uporabljate; prileganje. Označite ure, ki presegajo zakonski prag. Podatki: [tukaj]
2) Razlika med emisijo in koncentracijo:
Preverite naslednjo trditev: gre za emisije (iz vira) ali koncentracije (merjene v zraku)? Označite dele, ki zamenjujejo to dvoje ali ignorirajo meteorologijo, in predlagajte izmerjeno preoblikovanje na podlagi dokazov. Zahtevek: [tukaj]
3) Model napovedi (z negotovostjo):
Vaša vloga: podatkovni znanstvenik. Zgradite model kratkoročne napovedi (Python) za [onesnaževalo] z naslednjo časovno vrsto. Podajte vsako napoved z njenim intervalom zaupanja. Jasno napišite, v kakšnih pogojih (dogodek brez treninga, ekstremno vreme) bi bil model nezanesljiv. Preveč optimistična trditev o resnici FAKE. Podatki: [tukaj]
4) Povzetek prispevka virov:
Na podlagi spodnjih podatkov o kakovosti zraka in vetru analizirajte, iz katere smeri veter prihaja v urah z visoko onesnaženostjo, da boste dobili namig o možni smeri vira. Ne recite naravnost "to je vir"; Ponudba verjetnost in preverjanje. Podatki: [tukaj]
Pogoste napake
- Zamenjava emisije s koncentracijo. Zmanjšanje dimnika ne pomeni čistoče v zraku.
- Zanašanje na nekalibriran senzor. Vlažnost in odnašanje povečata vrednosti.
- Predstavitev ocene brez negotovosti. Vsaka ocena mora biti dana z intervalom zaupanja.
- Usklajevanje fizike z AI. Model porazdelitve zahteva fiziko; "Napoved" LLM ni fizika.
- Spomin na zakonske pragove. Vzemite mejne vrednosti iz zakonodaje.
Pozor: trditve o kakovosti zraka zadevajo javno zdravje. Lažna "čista" trditev ogroža ljudi; Neutemeljen »umazan« alarm ustvarja nepotrebno paniko in gospodarsko škodo. Vsako trditev podprite s kalibriranimi podatki, ustreznim modelom in jasno negotovostjo.
Če povzamem
kakovost zraka; Zahteva ločevanje emisij od koncentracije, kalibracijo meritev, ustrezno modeliranje in napovedovanje, predstavljeno z negotovostjo. AI; Je močan pri čiščenju podatkov, pridobivanju vzorcev in kratkoročnem napovedovanju. Toda porazdelitev na podlagi fizike, kalibracija senzorjev, zakonski pragovi in pošteno poročanje o negotovosti pripadajo strokovnjaku. Številka na dimniku ni enaka zraku v soseščini.
Aplikacijska naloga
Pripravite hipotetične urne PM2,5 in meteorološke podatke za lokacijo. S 1. predlogo naj AI očisti podatke, jih pretvori v AQI in označi prekoračitve praga. Nato zgradite model kratkoročne napovedi s 3. predlogo in poskrbite, da ima vsaka napoved interval zaupanja. Na koncu naj se vaša trditev o kakovosti zraka pregleda glede emisij/koncentracije s predlogo 2.
kontrolni seznam
- [ ] Pravilno sem ločil med emisijo in koncentracijo.
- [ ] Preveril sem podatke senzorja za kalibracijo in nihanje.
- [ ] Dobil sem AQI in pragove iz pravilne formule/zakonodaje.
- [ ] Ocene sem predstavil z intervalom zaupanja in mejo modela.
- [ ] Umetni inteligenci nisem dal prilagoditi delov, ki so zahtevali distribucijo/fiziko.
- [ ] Trditve o javnem zdravju sem podprl z dokazi.