Vinster:
- Förmåga att skilja mellan utsläpp (från källan) och koncentration (mätt i luft) och konvertera de kalibrerade data till AQI och jämföra dem med tröskelvärden
- Förmåga att bygga en kortsiktig förutsägningsmodell och presentera varje förutsägelse ärligt med konfidensintervall och modellgränser
- Förmåga att stödja folkhälsopåståenden med bevis utan att ha artificiell intelligens anpassa delar som kräver distribution/fysik
Luftföroreningar är osynliga men dödliga: de orsakar miljontals förtida dödsfall varje år och är sammanflätade med klimatförändringar. Institutioner ansvarar både för sina egna skorstensutsläpp och för luftkvaliteten runt dem. I denna enhet kommer du att lära dig luftkvalitetsparametrar, mät- och modelleringsmetoder, förutsägelse med AI och gränserna för alla dessa.
Koncept först. Luftkvaliteten mäts i allmänhet på flera stora föroreningar: PM2,5 och PM10 (partiklar mindre än 2,5 och 10 mikron – respirabelt damm), NO₂ (kvävedioxid – från förbränning), SO₂ (svaveldioxid), O₃ (marknära ozon) och CO (kolmonoxid). AQI (Air Quality Index) är det index som omvandlar dessa föroreningar till en enda färgad/numrerad skala (bra-farlig) som allmänheten kan förstå. Emission är mängden som frigörs från källan, medan koncentration är koncentrationen i luften; Det är viktigt att inte blanda ihop de två.
Tips: Emission (från källan) och koncentration (mätt i luft) är två olika saker. Vind, temperatur och topografi gör att samma emission resulterar i mycket olika koncentrationer. Att säga "det kommer mindre ut ur skorstenen" betyder inte "luften i närheten är ren".
Modellering: från emission till koncentration
Att beräkna koncentrationen av en förorening som kommer ut ur en skorsten kommer att nå ett närliggande område är en fråga om spridningsmodellering. Dessa modeller använder meteorologi (vindriktning/hastighet, atmosfärisk stabilitet) och topografi. Klassiska modeller (t.ex. Gaussisk distributionsmodell) är fysikbaserade; AI används för att accelerera dessa modeller, tolka utdata och extrahera mönster från stora mätdatauppsättningar - men det är farligt att "få" fysiken att passa in i AI.
Prognos: förutsäger morgondagens väder
AI:s starkaste område är prognoser: bygga modeller som förutsäger föroreningsnivåer i morgon eller några timmar senare, med hjälp av historiska mätningar, meteorologi och trafikdata. Detta är värdefullt för folkhälsovarningar och försiktighetsåtgärder (t.ex. trafikbegränsningar). Men varje förutsägelse har osäkerhet, och modellen kommer att ha fel när den faller utanför de förhållanden som den tränades på (till exempel en oväntad brand).
Steg för steg: en luftkvalitetsanalys
1. Välj frågan och parametern. Vilken förorening, vilken plats, under vilken tid?
2. Verifiera datakällan. Referensstation eller lågprisgivare? Kaliber?
3. Förbearbetning. Rensa upp saknad data, sensordrift, extrema extremvärden.
4. Konvertera till AQI och jämför med tröskel. Är den lagliga gränsen överskriden?
5. Modellera/förutsäga. Trend, säsongsvariationer, framtidsprognoser.
6. Rapportera osäkerhet. Presentera alltid uppskattningar med konfidensintervall och modellgränser.
tre minifodral
Fall 1 – Förvirring av utsläppskoncentration. En anläggning ville meddela att den hade minskat sina stackutsläpp med 20% och därför "var grannskapsluften 20% renare". Experten visade att vindriktningen ändrades vid den tiden och att koncentrationen faktiskt påverkades av meteorologin; Utsläppsminskningen var reell, men koncentrationspåståendet var ogrundat. Uttalandet var begränsat till "vi minskade utsläppen från skorstenar med 20 %"; Luftanspråk utan bevis har tagits bort.
Fall 2 — Sensorkalibrering. En skola fick en "farlig PM2.5"-larm med en lågkostnadssensor. När experten jämförde sensorn med en närliggande referensstation fann han att värdet var uppblåst vid hög luftfuktighet; Efter fuktkorrigering minskade värdet till "medium" nivån. En okalibrerad sensor kan orsaka panik. (Detta visar återigen hur kritisk sensorkalibrering är i varje mätområde.)
Fall 3 — Prognososäkerhet. En kommun varnade för "hög förorening" dagen efter med sin AI-prognosmodell, men en oväntad sandstorm omintetgjorde prognosen. Teamet hade tidigare rapporterat att modellen var "otillförlitlig för icke-träningsdatahändelser"; därför presenterades varningen som "möjlig" och det fanns ingen förlust av förtroende. Att göra osäkerhet tydlig är en ansvarsfull användning av förutsägelser.
Svag prompt / Stark prompt
Svag uppmaning:
Förutsäg morgondagen med dessa väderdata.
Varför det är svagt: Inget krav på parametrar, plats, datakvalitet, modelltyp och osäkerhet. Utdata skulle vara ett enda nummer, dess tillförlitlighet okänd.
Kraftfull uppmaning:
Din roll: dataforskare för luftkvalitet. Med följande PM2.5 timdata och meteorologi (vind, luftfuktighet, temperatur), skapa en enkel prognosmodell (t.ex. gradientförstärkning) i Python för de kommande 24 timmarna. Steg: (1) datarensning och sensordriftkontroll, (2) funktionsförberedelse, (3) modell, (4) ge förutsägelser med konfidensintervall. Ange tydligt modellens begränsningar (otillförlitlighet i icke-pedagogiska situationer). Data: [här]
Fyra kopierbara mallar
1) Rengöring av luftdata + AQI:
Rensa upp följande luftkvalitetsmätningar med Python (undershoot, stuck, drift, overshoot) och konvertera dem till standard AQI. Specificera vilken AQI-formel du använder; montering. Markera timmar som överskrider den lagliga tröskeln. Data: [här]
2) Skillnad mellan utsläpp och koncentration:
Kontrollera följande påstående: handlar det om utsläpp (från källan) eller koncentration (mätt i luft)? Markera de delar som förvirrar de två eller ignorera meteorologin och föreslå en uppmätt omräkning baserat på bevis. Anspråk: [här]
3) Prediktionsmodell (med osäkerhet):
Din roll: datavetare. Bygg en kortsiktig prognosmodell (Python) för [förorening] med följande tidsserier. Ge varje förutsägelse med dess konfidensintervall. Skriv tydligt under vilka förhållanden (icke-träningsevenemang, extremt väder) modellen skulle vara opålitlig. Alltför optimistiskt sanningspåstående FAKE.Data: [här]
4) Resursbidragssammanfattning:
Analysera från luftkvalitets- och vinddata nedan vilken riktning vinden kommer ifrån under höga föroreningstimmar för att ge en ledtråd om den möjliga källriktningen. Säg inte "det här är källan" direkt; Erbjud sannolikhet och verifiering. Data: [här]
Vanliga misstag
- Blandar ihop emission med koncentration. En minskning av skorstenen betyder inte renhet i luften.
- Förlitar sig på en okalibrerad sensor. Fuktighet och drift blåser upp värdena.
- Presentera uppskattningen utan osäkerhet. Varje uppskattning bör ges med ett konfidensintervall.
- Att få fysiken att passa med AI. Fördelningsmodellen kräver fysik; LLM:s "förutsägelse" är inte fysik.
- Kom ihåg lagliga trösklar. Ta gränsvärdena från lagstiftningen.
Varning: Luftkvalitetspåståenden gäller folkhälsan. Ett falskt "rent" påstående sätter människor i fara; Ett ogrundat "smutsigt" larm skapar onödig panik och ekonomiska skador. Stöd varje påstående med kalibrerad data, lämplig modell och tydlig osäkerhet.
Sammanfattningsvis
Luftkvalitet; Det kräver separering av emission från koncentration, kalibrerande mätning, lämplig modellering och förutsägelse presenterad med osäkerhet. AI; Den är kraftfull inom datarensning, mönsterextraktion och korttidsprognoser. Men fysikbaserad distribution, sensorkalibrering, lagliga trösklar och ärlig rapportering av osäkerhet tillhör experten. Siffran på skorstenen är inte detsamma som luften i grannskapet.
Applikationsuppgift
Förbered hypotetiska tim-PM2.5 och meteorologiska data för en plats. Med den första mallen, låt AI rengöra data, konvertera den till AQI och markera tröskelöverskridanden. Bygg sedan en kortsiktig prognosmodell med den 3:e mallen och se till att varje prognos kommer med ett konfidensintervall. Låt slutligen ditt luftkvalitetspåstående granskas med avseende på utsläpp/koncentration med mall 2.
checklista
- [ ] Jag gjorde skillnaden mellan emission och koncentration korrekt.
- [ ] Jag kontrollerade sensordata för kalibrering och drift.
- [ ] Jag fick AQI och trösklar från rätt formel/lagstiftning.
- [ ] Jag presenterade uppskattningarna med konfidensintervall och modellgräns.
- [ ] Jag hade inte AI:n anpassa de delar som krävde distribution/fysik.
- [ ] Jag stödde folkhälsopåståenden med bevis.