Mga nadagdag:
- Kakayahang makilala sa pagitan ng mga emisyon (mula sa pinagmulan) at konsentrasyon (nasusukat sa hangin) at i-convert ang naka-calibrate na data sa AQI at ihambing ito sa mga threshold
- Kakayahang bumuo ng isang panandaliang modelo ng hula sa polusyon at ipakita ang bawat hula nang tapat na may mga pagitan ng kumpiyansa at mga limitasyon ng modelo
- Kakayahang suportahan ang mga claim sa pampublikong kalusugan na may katibayan nang hindi nagkakaroon ng artificial intelligence na umangkop sa mga bahagi na nangangailangan ng pamamahagi/physics
Ang polusyon sa hangin ay hindi nakikita ngunit nakamamatay: nagdudulot ito ng milyun-milyong napaaga na pagkamatay bawat taon at nauugnay sa pagbabago ng klima. Ang mga institusyon ay responsable para sa kanilang sariling mga stack emissions at ang kalidad ng hangin sa kanilang paligid. Sa unit na ito, matututunan mo ang mga parameter ng kalidad ng hangin, mga pamamaraan ng pagsukat at pagmomodelo, paghula gamit ang AI at ang mga limitasyon ng lahat ng ito.
Mga konsepto muna. Karaniwang sinusukat ang kalidad ng hangin sa ilang pangunahing pollutant: PM2.5 at PM10 (particulate matter na mas maliit sa 2.5 at 10 microns — respirable dust), NO₂ (nitrogen dioxide — mula sa combustion), SO₂ (sulfur dioxide), O₃ (ground level ozone), at CO (carbon monoxide). Ang AQI (Air Quality Index) ay ang index na nagko-convert sa mga pollutant na ito sa isang solong kulay/numbered scale (good-delikado) na mauunawaan ng publiko. Ang emisyon ay ang halagang inilabas mula sa pinagmulan, habang ang konsentrasyon ay ang konsentrasyon sa hangin; Ito ay kritikal na hindi malito ang dalawa.
Hint: Ang paglabas (mula sa pinagmulan) at konsentrasyon (sinusukat sa hangin) ay dalawang magkaibang bagay. Ang hangin, temperatura at topograpiya ay nagdudulot ng parehong emisyon upang magresulta sa ibang-iba na mga konsentrasyon. Ang pagsasabi na "mas kakaunti ang lumalabas sa tsimenea" ay hindi nangangahulugang "malinis ang hangin sa malapit".
Pagmomodelo: mula sa paglabas hanggang sa konsentrasyon
Ang pagkalkula ng konsentrasyon ng isang pollutant na lumalabas sa isang tsimenea ay makakarating sa isang kalapit na kapitbahayan ay isang usapin ng dispersion modelling. Gumagamit ang mga modelong ito ng meteorolohiya (direksyon/bilis ng hangin, katatagan ng atmospera) at topograpiya. Ang mga klasikal na modelo (hal. Gaussian distribution model) ay batay sa pisika; Ginagamit ang AI upang pabilisin ang mga modelong ito, bigyang-kahulugan ang output, at kunin ang mga pattern mula sa malalaking set ng data ng pagsukat — ngunit mapanganib na "gawing" akma ang physics sa AI.
Pagtataya: paghula ng lagay ng panahon bukas
Ang pinakamalakas na larangan ng AI ay ang pagtataya: pagbuo ng mga modelo na hinuhulaan ang mga antas ng pollutant bukas o makalipas ang ilang oras, gamit ang makasaysayang pagsukat, meteorolohiya at data ng trapiko. Mahalaga ito para sa mga babala at pag-iingat sa kalusugan ng publiko (hal. paghihigpit sa trapiko). Ngunit ang bawat hula ay may kawalang-katiyakan, at ang modelo ay magiging mali kapag ito ay lumampas sa mga kundisyon kung saan ito sinanay (halimbawa, isang hindi inaasahang sunog).
Hakbang-hakbang: isang pagsusuri sa kalidad ng hangin
1. Piliin ang tanong at parameter. Aling pollutant, aling lokasyon, para sa anong tagal?
2. I-verify ang data source. Reference station o murang sensor? Kalibre?
3. Paunang proseso. Linisin ang nawawalang data, sensor drift, extreme outlier.
4. I-convert sa AQI at ihambing sa threshold. Lumampas ba ang legal na limitasyon?
5. Modelo/hula. Trend, seasonality, projection sa hinaharap.
6. Mag-ulat ng kawalan ng katiyakan. Palaging magpakita ng mga pagtatantya na may mga pagitan ng kumpiyansa at mga limitasyon ng modelo.
tatlong mini case
Kaso 1 — Pagkalito sa emission-concentration. Nais ng isang pasilidad na ipahayag na binawasan nito ang stack emissions ng 20% at samakatuwid ay "20% na mas malinis ang hangin sa kapitbahayan". Ipinakita ng eksperto na ang direksyon ng hangin ay nagbago sa oras na iyon at ang konsentrasyon ay aktwal na naapektuhan ng meteorology; Ang pagbabawas ng emisyon ay totoo, ngunit ang pag-aangkin ng konsentrasyon ay hindi napatunayan. Ang pahayag ay limitado sa "binawasan namin ang stack emissions ng 20%"; Inalis ang air claim na walang ebidensya.
Case 2 — Pag-calibrate ng sensor. Nakatanggap ang isang paaralan ng "delikadong PM2.5" na alerto na may mababang halagang sensor. Nang inihambing ng eksperto ang sensor sa isang malapit na istasyon ng sanggunian, nalaman niya na ang halaga ay napalaki sa mataas na kahalumigmigan; Pagkatapos ng pagwawasto ng halumigmig, bumaba ang halaga sa antas na "medium". Ang hindi naka-calibrate na sensor ay maaaring magdulot ng panic. (Muling ipinapakita nito kung gaano kritikal ang pagkakalibrate ng sensor sa bawat lugar ng pagsukat.)
Kaso 3 — Kawalang-katiyakan sa pagtataya. Nagbabala ang isang munisipalidad tungkol sa "mataas na polusyon" sa susunod na araw kasama ang modelo ng pagtataya ng AI nito, ngunit nabigo ng hindi inaasahang sandstorm ang forecast. Nauna nang iniulat ng koponan na ang modelo ay "hindi mapagkakatiwalaan para sa mga kaganapan ng data na hindi nagsasanay"; samakatuwid ang babala ay ipinakita bilang "posible" at walang pagkawala ng kumpiyansa. Ang pagpapalinaw ng kawalan ng katiyakan ay ang responsableng paggamit ng hula.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Hulaan ang bukas gamit ang data ng panahon na ito.
Bakit ito mahina: Walang pangangailangan para sa mga parameter, lokasyon, kalidad ng data, uri ng modelo at kawalan ng katiyakan. Ang output ay magiging isang solong numero, hindi alam ang pagiging maaasahan nito.
Napakahusay na prompt:
Ang iyong tungkulin: data scientist ng kalidad ng hangin. Gamit ang sumusunod na PM2.5 oras-oras na data at meteorology (hangin, halumigmig, temperatura), mag-set up ng isang simpleng modelo ng forecast (hal. gradient boosting) sa Python para sa susunod na 24 na oras. Mga hakbang: (1) paglilinis ng data at kontrol ng drift ng sensor, (2) paghahanda ng tampok, (3) modelo, (4) magbigay ng mga hula na may pagitan ng kumpiyansa. Malinaw na sabihin ang mga limitasyon ng modelo (hindi mapagkakatiwalaan sa mga sitwasyong hindi pang-edukasyon). Data: [dito]
Apat na maaaring kopyahin na mga template
1) Paglilinis ng data ng hangin + AQI:
Linisin ang mga sumusunod na pagsukat ng kalidad ng hangin gamit ang Python (undershoot, stuck, drift, overshoot) at i-convert ang mga ito sa karaniwang AQI. Tukuyin kung aling AQI formula ang iyong ginagamit; angkop. Markahan ang mga oras na lumampas sa legal na limitasyon. Data: [dito]
2) Emisyon kumpara sa pagkakaiba sa konsentrasyon:
Suriin ang sumusunod na claim: tungkol ba ito sa mga emisyon (mula sa pinagmulan) o konsentrasyon (sinusukat sa hangin)? I-highlight ang mga bahaging nakakalito sa dalawa o binabalewala ang meteorology at magmungkahi ng sinusukat na muling pagsasalaysay batay sa ebidensya. Claim: [dito]
3) Modelo ng hula (na walang katiyakan):
Ang iyong tungkulin: data scientist. Bumuo ng panandaliang modelo ng pagtataya (Python) para sa [pollutant] gamit ang sumusunod na serye ng oras. Ibigay ang bawat hula na may agwat ng kumpiyansa nito. Isulat nang malinaw sa ilalim ng kung anong mga kundisyon (kaganapang hindi pagsasanay, matinding lagay ng panahon) ang modelo ay magiging hindi maaasahan. Ang sobrang optimistikong katotohanan ay sinasabing FAKE.Data: [dito]
4) Buod ng kontribusyon sa mapagkukunan:
Mula sa kalidad ng hangin at data ng hangin sa ibaba, suriin kung saang direksyon nagmumula ang hangin sa mga oras ng mataas na polusyon upang magbigay ng clue tungkol sa posibleng direksyon ng pinagmulan. Huwag sabihing "ito ang pinagmulan" nang tahasan; Mag-alok ng posibilidad at pagpapatunay. Data: [dito]
Mga karaniwang pagkakamali
- Nakalilito ang paglabas sa konsentrasyon. Ang pagbaba sa tsimenea ay hindi nangangahulugan ng kalinisan sa hangin.
- Umaasa sa isang hindi naka-calibrate na sensor. Ang humidity at drift ay nagpapalaki ng mga halaga.
- Paglalahad ng pagtatantya nang walang katiyakan. Ang bawat pagtatantya ay dapat ibigay na may agwat ng kumpiyansa.
- Ginagawang akma ang physics sa AI. Ang modelo ng pamamahagi ay nangangailangan ng pisika; Ang "hula" ng LLM ay hindi pisika.
- Pag-alala sa mga legal na threshold. Kunin ang mga halaga ng limitasyon mula sa batas.
Babala: Ang mga claim sa kalidad ng hangin ay may kinalaman sa kalusugan ng publiko. Ang isang maling "malinis" na pahayag ay naglalagay sa mga tao sa panganib; Ang isang walang batayan na "marumi" na alarma ay lumilikha ng hindi kinakailangang gulat at pinsala sa ekonomiya. Suportahan ang bawat claim gamit ang naka-calibrate na data, naaangkop na modelo, at malinaw na kawalan ng katiyakan.
Sa buod
Kalidad ng hangin; Nangangailangan ito ng paghihiwalay ng emisyon mula sa konsentrasyon, pag-calibrate ng pagsukat, naaangkop na pagmomodelo at hula na ipinakita nang walang katiyakan. AI; Makapangyarihan ito sa paglilinis ng data, pagkuha ng pattern at panandaliang pagtataya. Ngunit ang pamamahagi na nakabatay sa pisika, pagkakalibrate ng sensor, mga legal na limitasyon, at tapat na pag-uulat ng kawalan ng katiyakan ay pagmamay-ari ng eksperto. Ang numero sa tsimenea ay hindi katulad ng hangin sa kapitbahayan.
Gawain ng aplikasyon
Maghanda ng hypothetical hourly PM2.5 at meteorological data para sa isang lokasyon. Gamit ang 1st template, ipalinis sa AI ang data, i-convert ito sa AQI, at markahan ang mga paglampas sa threshold. Pagkatapos ay bumuo ng isang panandaliang modelo ng pagtataya gamit ang ika-3 template at tiyaking ang bawat hula ay may agwat ng kumpiyansa. Panghuli, ipa-audit ang iyong claim sa kalidad ng hangin para sa mga emisyon/konsentrasyon na may template 2.
checklist
- [ ] Ginawa ko nang tama ang pagkakaiba sa pagitan ng paglabas at konsentrasyon.
- [ ] Sinuri ko ang data ng sensor para sa pagkakalibrate at drift.
- [ ] Nakuha ko ang AQI at mga threshold mula sa tamang formula/batas.
- [ ] Iniharap ko ang mga pagtatantya na may agwat ng kumpiyansa at limitasyon ng modelo.
- [ ] Wala akong AI na iakma ang mga bahagi na nangangailangan ng pamamahagi/physics.
- [ ] Sinuportahan ko ang mga claim sa pampublikong kalusugan na may ebidensya.