การติดตามคุณภาพอากาศและมลพิษ: การวัด การสร้างแบบจำลอง และการพยากรณ์

กำไร:

• ความสามารถในการแยกแยะระหว่างการปล่อยก๊าซเรือนกระจก (จากแหล่งที่มา) และความเข้มข้น (วัดในอากาศ) และแปลงข้อมูลที่สอบเทียบเป็น AQI และเปรียบเทียบกับเกณฑ์ต่างๆ
• ความสามารถในการสร้างแบบจำลองการทำนายมลพิษในระยะสั้น และนำเสนอการคาดการณ์แต่ละรายการอย่างตรงไปตรงมาด้วยช่วงความเชื่อมั่นและขีดจำกัดของแบบจำลอง
• ความสามารถในการสนับสนุนการกล่าวอ้างด้านสาธารณสุขด้วยหลักฐานโดยไม่ต้องมีปัญญาประดิษฐ์ดัดแปลงส่วนที่ต้องมีการกระจาย/ฟิสิกส์

มลพิษทางอากาศเป็นสิ่งที่มองไม่เห็นแต่เป็นอันตรายถึงชีวิต โดยทำให้มีผู้เสียชีวิตก่อนวัยอันควรหลายล้านคนทุกปี และเกี่ยวพันกับการเปลี่ยนแปลงสภาพภูมิอากาศ สถาบันต่างๆ มีหน้าที่รับผิดชอบทั้งการปล่อยปล่องควันของตนเองและคุณภาพอากาศรอบตัว ในหน่วยนี้ คุณจะได้เรียนรู้พารามิเตอร์คุณภาพอากาศ วิธีการวัดและการสร้างแบบจำลอง การพยากรณ์ด้วย AI และขีดจำกัดของสิ่งเหล่านี้

แนวคิดก่อน โดยทั่วไปคุณภาพอากาศจะวัดจากมลพิษหลักๆ หลายชนิด: PM2.5 และ PM10 (ฝุ่นละอองขนาดเล็กกว่า 2.5 และ 10 ไมครอน — ฝุ่นที่หายใจได้), NO₂ (ไนโตรเจนไดออกไซด์ — จากการเผาไหม้), SO₂ (ซัลเฟอร์ไดออกไซด์), O₃ (โอโซนระดับพื้นดิน) และ CO (คาร์บอนมอนอกไซด์) AQI (ดัชนีคุณภาพอากาศ) คือดัชนีที่แปลงสารมลพิษเหล่านี้เป็นระดับสี/ตัวเลขเดียว (อันตรายดี) ที่ประชาชนทั่วไปสามารถเข้าใจได้ การปล่อยก๊าซเรือนกระจกคือปริมาณที่ปล่อยออกมาจากแหล่งกำเนิด ในขณะที่ความเข้มข้นคือความเข้มข้นในอากาศ เป็นสิ่งสำคัญที่จะไม่ทำให้ทั้งสองสับสน

คำแนะนำ: การปล่อยก๊าซเรือนกระจก (จากแหล่งกำเนิด) และความเข้มข้น (วัดในอากาศ) เป็นสองสิ่งที่แตกต่างกัน ลม อุณหภูมิ และภูมิประเทศทำให้เกิดการปล่อยก๊าซแบบเดียวกันแต่ส่งผลให้ความเข้มข้นต่างกันมาก การพูดว่า "ออกจากปล่องไฟน้อยลง" ไม่ได้หมายความว่า "อากาศบริเวณใกล้เคียงสะอาด"

การสร้างแบบจำลอง: จากการปล่อยไปสู่ความเข้มข้น

การคำนวณความเข้มข้นของสารมลพิษที่ออกมาจากปล่องไฟจะไปถึงบริเวณใกล้เคียงนั้นเป็นเรื่องของการสร้างแบบจำลองการกระจายตัว แบบจำลองเหล่านี้ใช้อุตุนิยมวิทยา (ทิศทาง/ความเร็วลม ความเสถียรของบรรยากาศ) และภูมิประเทศ แบบจำลองคลาสสิก (เช่น แบบจำลองการแจกแจงแบบเกาส์เซียน) เป็นแบบจำลองทางฟิสิกส์ AI ใช้เพื่อเร่งความเร็วโมเดลเหล่านี้ ตีความผลลัพธ์ และแยกรูปแบบจากชุดข้อมูลการวัดขนาดใหญ่ แต่การ "ทำให้" ฟิสิกส์เข้ากับ AI ถือเป็นเรื่องอันตราย

พยากรณ์: ทำนายสภาพอากาศในวันพรุ่งนี้

สาขาที่แข็งแกร่งที่สุดของ AI คือการคาดการณ์: การสร้างแบบจำลองที่คาดการณ์ระดับมลพิษในวันพรุ่งนี้หรือไม่กี่ชั่วโมงต่อมา โดยใช้การวัดในอดีต อุตุนิยมวิทยา และข้อมูลการจราจร สิ่งนี้มีประโยชน์สำหรับคำเตือนและข้อควรระวังด้านสาธารณสุข (เช่น การจำกัดการจราจร) แต่การคาดการณ์ทุกอย่างมีความไม่แน่นอน และแบบจำลองจะผิดพลาดเมื่ออยู่นอกเงื่อนไขที่ได้รับการฝึก (เช่น ไฟไหม้ที่ไม่คาดคิด)

ทีละขั้นตอน: การวิเคราะห์คุณภาพอากาศ

1. เลือกคำถามและพารามิเตอร์ มลพิษชนิดใด สถานที่ใด เป็นระยะเวลาเท่าไร?

2. ตรวจสอบแหล่งข้อมูล สถานีอ้างอิงหรือเซ็นเซอร์ราคาประหยัด? คาลิเบอร์?

3. ก่อนดำเนินการ ทำความสะอาดข้อมูลที่ขาดหายไป การเคลื่อนตัวของเซ็นเซอร์ และค่าผิดปกติที่รุนแรง

4. แปลงเป็น AQI และเปรียบเทียบกับเกณฑ์ เกินขีดจำกัดทางกฎหมายหรือไม่?

5. แบบจำลอง/การทำนาย แนวโน้ม ฤดูกาล การฉายภาพในอนาคต

6. รายงานความไม่แน่นอน นำเสนอค่าประมาณพร้อมช่วงความเชื่อมั่นและขีดจำกัดของแบบจำลองเสมอ

มินิเคสสามอัน

กรณีที่ 1 — ความสับสนของการปล่อยก๊าซเรือนกระจก โรงงานแห่งหนึ่งต้องการประกาศว่าได้ลดการปล่อยก๊าซเรือนกระจกลง 20% ดังนั้น "อากาศในบริเวณใกล้เคียงจึงสะอาดขึ้น 20%" ผู้เชี่ยวชาญได้แสดงให้เห็นว่าทิศทางลมในขณะนั้นเปลี่ยนไป และความเข้มข้นได้รับผลกระทบจากอุตุนิยมวิทยาจริงๆ การลดการปล่อยก๊าซเรือนกระจกเกิดขึ้นจริง แต่การกล่าวอ้างความเข้มข้นนั้นไม่มีหลักฐานยืนยัน คำกล่าวนี้จำกัดอยู่ที่ "เราลดการปล่อยปล่องก๊าซลง 20%"; การเรียกร้องทางอากาศโดยไม่มีการลบหลักฐาน

กรณีที่ 2 — การสอบเทียบเซ็นเซอร์ โรงเรียนแห่งหนึ่งได้รับการแจ้งเตือน "อันตราย PM2.5" ด้วยเซ็นเซอร์ราคาประหยัด เมื่อผู้เชี่ยวชาญเปรียบเทียบเซ็นเซอร์กับสถานีอ้างอิงใกล้เคียง เขาพบว่าค่าจะสูงเกินจริงเมื่อมีความชื้นสูง หลังจากแก้ไขความชื้นแล้วค่าลดลงเหลือระดับ "ปานกลาง" เซ็นเซอร์ที่ไม่ได้ปรับเทียบอาจทำให้เกิดความตื่นตระหนกได้ (สิ่งนี้แสดงให้เห็นอีกครั้งว่าการสอบเทียบเซ็นเซอร์มีความสำคัญเพียงใดในทุกพื้นที่การวัด)

กรณีที่ 3 — การคาดการณ์ความไม่แน่นอน เทศบาลเตือนว่าจะมี "มลพิษสูง" ในวันรุ่งขึ้นด้วยแบบจำลองการคาดการณ์ของ AI แต่พายุทรายที่ไม่คาดคิดได้ขัดขวางการคาดการณ์ ก่อนหน้านี้ทีมงานได้รายงานว่าแบบจำลองนี้ “ไม่น่าเชื่อถือสำหรับเหตุการณ์ข้อมูลที่ไม่ใช่การฝึกอบรม”; จึงแสดงคำเตือนว่า "เป็นไปได้" และไม่มีการสูญเสียความมั่นใจ การทำให้ความไม่แน่นอนชัดเจนคือการใช้การทำนายอย่างรับผิดชอบ

พรอมต์อ่อน / พรอมต์แรง

พรอมต์ที่อ่อนแอ:

ทำนายวันพรุ่งนี้ด้วยข้อมูลสภาพอากาศนี้

เหตุใดจึงอ่อนแอ: ไม่มีความต้องการพารามิเตอร์ ตำแหน่ง คุณภาพข้อมูล ประเภทแบบจำลอง และความไม่แน่นอน ผลลัพธ์จะเป็นตัวเลขตัวเดียว ซึ่งไม่ทราบความน่าเชื่อถือ

พรอมต์อันทรงพลัง:

บทบาทของคุณ: นักวิทยาศาสตร์ข้อมูลคุณภาพอากาศ ด้วยข้อมูล PM2.5 รายชั่วโมงและอุตุนิยมวิทยา (ลม ความชื้น อุณหภูมิ) ต่อไปนี้ ให้ตั้งค่าแบบจำลองการคาดการณ์อย่างง่าย (เช่น การเร่งการไล่ระดับสี) ใน Python ในอีก 24 ชั่วโมงข้างหน้า ขั้นตอน: (1) การล้างข้อมูลและการควบคุมการเบี่ยงเบนของเซ็นเซอร์ (2) การเตรียมคุณสมบัติ (3) โมเดล (4) ให้การคาดการณ์ด้วยช่วงความมั่นใจ ระบุข้อจำกัดของแบบจำลองอย่างชัดเจน (ความไม่น่าเชื่อถือในสถานการณ์ที่ไม่ใช่ด้านการศึกษา) ข้อมูล: [ที่นี่]

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

1) การทำความสะอาดข้อมูลอากาศ + AQI:

ทำความสะอาดการวัดคุณภาพอากาศต่อไปนี้ด้วย Python (อันเดอร์ชูต ติดค้าง ดริฟท์ โอเวอร์ชูต) และแปลงเป็น AQI มาตรฐาน ระบุสูตร AQI ที่คุณใช้ เหมาะสม ทำเครื่องหมายชั่วโมงที่เกินเกณฑ์ทางกฎหมาย ข้อมูล: [ที่นี่]

2) ความแตกต่างระหว่างการปล่อยก๊าซเรือนกระจกกับความเข้มข้น:

ตรวจสอบข้อกล่าวอ้างต่อไปนี้: เกี่ยวข้องกับการปล่อยก๊าซเรือนกระจก (จากแหล่งกำเนิด) หรือความเข้มข้น (วัดในอากาศ) หรือไม่? เน้นส่วนที่สร้างความสับสนให้กับทั้งสองหรือเพิกเฉยต่ออุตุนิยมวิทยาและเสนอแนะการกล่าวซ้ำที่วัดได้โดยอาศัยหลักฐาน การอ้างสิทธิ์: [ที่นี่]

3) โมเดลการทำนาย (ที่มีความไม่แน่นอน):

บทบาทของคุณ: นักวิทยาศาสตร์ข้อมูล สร้างแบบจำลองการคาดการณ์ระยะสั้น (Python) สำหรับ [มลพิษ] ด้วยอนุกรมเวลาต่อไปนี้ ให้คำทำนายแต่ละครั้งด้วยช่วงความมั่นใจ เขียนให้ชัดเจนว่าแบบจำลองจะไม่น่าเชื่อถือภายใต้เงื่อนไขใด (เหตุการณ์ที่ไม่ใช่การฝึกอบรม สภาพอากาศสุดขั้ว) ความจริงในแง่ดีมากเกินไปอ้างว่า FAKE.Data: [ที่นี่]

4) สรุปการสนับสนุนทรัพยากร:

จากข้อมูลคุณภาพอากาศและข้อมูลลมด้านล่าง ให้วิเคราะห์ทิศทางลมที่มาจากในช่วงเวลาที่มีมลพิษสูง เพื่อให้เบาะแสเกี่ยวกับทิศทางของแหล่งกำเนิดที่เป็นไปได้ อย่าพูดว่า "นี่คือแหล่งที่มา" โดยสิ้นเชิง เสนอความน่าจะเป็นและการตรวจสอบ ข้อมูล: [ที่นี่]

ข้อผิดพลาดทั่วไป

• การปล่อยก๊าซสับสนกับความเข้มข้น ปล่องไฟที่ลดลงไม่ได้หมายถึงความสะอาดในอากาศ
• อาศัยเซ็นเซอร์ที่ไม่ได้สอบเทียบ ความชื้นและการดริฟท์ทำให้ค่าต่างๆ สูงขึ้น
• การนำเสนอประมาณการโดยไม่มีความไม่แน่นอน ทุกการประมาณการควรกำหนดด้วยช่วงความเชื่อมั่น
• ทำให้ฟิสิกส์เข้ากับ AI รูปแบบการกระจายต้องใช้ฟิสิกส์ "การทำนาย" ของ LLM ไม่ใช่ฟิสิกส์
• จดจำเกณฑ์ทางกฎหมาย นำค่าขีดจำกัดมาจากกฎหมาย

ข้อควรระวัง: การกล่าวอ้างเรื่องคุณภาพอากาศเกี่ยวข้องกับสุขภาพของประชาชน การกล่าวอ้าง "สะอาด" ที่เป็นเท็จทำให้ผู้คนตกอยู่ในความเสี่ยง สัญญาณเตือน "สกปรก" ที่ไม่มีมูลทำให้เกิดความตื่นตระหนกโดยไม่จำเป็นและสร้างความเสียหายทางเศรษฐกิจ สนับสนุนการอ้างสิทธิ์แต่ละรายการด้วยข้อมูลที่ปรับเทียบแล้ว แบบจำลองที่เหมาะสม และความไม่แน่นอนที่ชัดเจน

โดยสรุป

คุณภาพอากาศ; โดยต้องมีการแยกการปล่อยก๊าซออกจากความเข้มข้น การสอบเทียบการวัด การสร้างแบบจำลองที่เหมาะสม และการพยากรณ์ที่นำเสนอด้วยความไม่แน่นอน AI; มีประสิทธิภาพในการล้างข้อมูล การแยกรูปแบบ และการคาดการณ์ในระยะสั้น แต่การกระจายตามหลักฟิสิกส์ การสอบเทียบเซ็นเซอร์ เกณฑ์ทางกฎหมาย และการรายงานความไม่แน่นอนอย่างตรงไปตรงมาเป็นของผู้เชี่ยวชาญ ตัวเลขบนปล่องไฟไม่เหมือนกับอากาศในบริเวณใกล้เคียง

งานสมัคร

เตรียมข้อมูล PM2.5 และข้อมูลอุตุนิยมวิทยารายชั่วโมงสมมุติสำหรับสถานที่ ด้วยเทมเพลตที่ 1 ให้ AI ทำความสะอาดข้อมูล แปลงเป็น AQI และทำเครื่องหมายเกินเกณฑ์ จากนั้นสร้างแบบจำลองการคาดการณ์ระยะสั้นด้วยเทมเพลตที่ 3 และตรวจสอบให้แน่ใจว่าการคาดการณ์แต่ละรายการมาพร้อมกับช่วงความเชื่อมั่น สุดท้าย ให้ตรวจสอบการอ้างคุณภาพอากาศของคุณสำหรับการปล่อยก๊าซเรือนกระจก/ความเข้มข้นด้วยเทมเพลต 2

รายการตรวจสอบ

• [ ] ฉันแยกแยะระหว่างการปล่อยก๊าซเรือนกระจกและความเข้มข้นได้อย่างถูกต้อง
• [ ] ฉันตรวจสอบข้อมูลเซ็นเซอร์เพื่อการสอบเทียบและการดริฟท์
• [ ] ฉันได้รับ AQI และเกณฑ์จากสูตร/กฎหมายที่ถูกต้อง
• [ ] ฉันนำเสนอการประมาณการด้วยช่วงความเชื่อมั่นและขีดจำกัดของแบบจำลอง
• [ ] ฉันไม่มี AI ปรับส่วนที่ต้องใช้การกระจาย/ฟิสิกส์
• [ ] ฉันสนับสนุนคำกล่าวอ้างด้านสาธารณสุขโดยมีหลักฐาน