Mga nadagdag:
- Kakayahang i-automate ang mga gawain sa paglilinis at pagsusuri ng data sa kapaligiran gamit ang AI-powered Python code
- Kakayahang i-verify ang AI-generated code na may unit checking, testing at edge cases
- Kakayahang maglapat ng mga prinsipyo ng pagprotekta sa kumpidensyal/personal na data sa kapaligiran at responsableng paggamit ng AI
Pagsusulit sa Module
1. Tinanong mo ang AI tungkol sa limitasyon sa paglabas ng wastewater treatment plant at ang modelo ay sumagot ng '120 mg/L para sa COD, ayon sa Talahanayan 19 ng Water Pollution Control Regulation'. Alin ang pinaka tamang pag-uugali?
- A) Bine-verify ang halaga at ang reference na talahanayan mula sa opisyal na teksto ng kasalukuyang regulasyon ✔
- B) Dahil ang AI ay kasalukuyang modelo, direktang isinusulat ang halaga sa discharge permit
- C) I-convert lamang ang unit mula sa mg/L sa g/L at gamitin
- D) Tanungin ang AI 'sigurado ka ba?' at masiyahan sa sagot na 'oo'
Paliwanag: Ang LLM ay maaaring gumawa ng mga breakpoint at mga numero ng talahanayan/item na ayon sa istatistika ay makatotohanan ngunit hindi totoo (hallucination). Ang limitasyon sa paglabas ay nag-iiba depende sa sektor, kapaligiran ng pagtanggap at kasalukuyang regulasyon; Ang paggamit ng halaga at ang naka-reference na talahanayan nang hindi ito bini-verify mula sa opisyal na teksto ng regulasyon (Opisyal na Gazette) ay hahantong sa hindi pagsunod at parusa.
2. Ano ang karaniwang inaasahan kung ang ratio ng F/M (nutrient/microorganism) ay masyadong mababa sa isang activated sludge system?
- A) Isang sitwasyon kung saan ang organic load ay napakataas at ang putik ay nananatiling bata
- B) Lubhang luma na ang putik at isang kondisyon sa pagpapatakbo na pinangungunahan ng panloob na paghinga ✔
- C) Isang sitwasyon kung saan ang bentilasyon ay nagiging ganap na hindi kailangan
- D) Patunay na ang mga limitasyon sa paglabas ay awtomatikong pinananatili
Paliwanag: Ang ratio ng F/M ay nagpapahayag ng organikong pagkarga sa bawat masa ng mga mikroorganismo. Ang napakababang F/M ay isang kondisyon sa paggana kung saan ang mga mikroorganismo ay nagugutom at lumipat sa panloob na paghinga, ang putik ay nagiging labis na luma, at ang pagbuo ng karayom/nakakalat na putik at mga problema sa sedimentation ay karaniwang makikita. Kung binibigyang-kahulugan ng AI ang isang halaga ng F/M, kinakailangan itong i-verify gamit ang edad ng putik, SVI at data ng laboratoryo.
3. Gumamit ka ng AI upang tantyahin ang taunang NOx load gamit ang emission factor sa isang pagkalkula ng flue gas emissions. Ano ang dapat mong gawin bago mo ligtas na maiulat ang resulta?
- A) Bilugan ang resulta at ipasok ito nang direkta sa imbentaryo ng mga emisyon
- B) Iwasto lamang ang mga kulay ng tsart at i-publish ang ulat
- C) Gamit ang resulta kahit na ang CO2 ay nakalkula nang hindi sinasadya sa halip na NOx
- D) I-print ang ginamit na emission factor, source, unit at activity data at i-verify ang kalkulasyon ✔
Paliwanag: Gumagana ito sa lohika ng emission = factor × laki ng aktibidad. Maaaring gumamit ang AI ng maling emission factor (maling gasolina, maling unit, hindi napapanahong pinagmulan). Kinakailangang i-reproduce ang kalkulasyon sa pamamagitan ng malinaw na pag-print ng factor na ginamit, pinagmulan nito, unit at data ng aktibidad at paghahambing nito sa isang opisyal na emission factor source (hal. EMEP/EEA o national guidance).
4. Alin sa mga sumusunod ang pagkakasunud-sunod ng priyoridad ayon sa prinsipyo ng 'waste hierarchy' sa pamamahala ng basura?
- A) Pagtapon > pagbawi > pag-recycle > muling paggamit > pag-iwas
- B) Pag-recycle > pagtatapon > pag-iwas > muling paggamit > pagbawi
- C) Prevention > reuse > recycling > recovery > disposal ✔
- D) Muling paggamit > pagtatapon > pag-iwas > pag-recycle > pagbawi
Paliwanag: Ang hierarchy ng basura, mula sa karamihan hanggang sa pinakamaliit, ay: pag-iwas (pagbawas) > muling paggamit > pag-recycle > (enerhiya) pagbawi > pagtatapon (landfill). Kahit na gumawa ang AI ng draft na plano sa pamamahala ng basura, dapat itong ma-verify na ang pagkakasunud-sunod na ito at ang iminungkahing paraan ng pagtatapon ay sumusunod sa batas at paglalarawan ng basura.
5. Sumulat ang AI sa isang draft na ulat ng EIA na ang 'epekto sa kapaligiran ng isang proyekto ay bale-wala'. Ano ang pinakamahusay na saloobin sa engineering para sa output na ito?
- A) Hindi isinulat ang paghatol sa epekto sa ulat nang hindi ito bini-verify gamit ang field data, pagmomodelo at pagsusuri ng eksperto ✔
- B) Dahil neutral ang AI, ilagay ang pahayag gaya ng nasa konklusyon
- C) Isulat lamang muli ang pangungusap sa mas pormal na wika
- D) Lubusang nilaktawan ang pagtatasa ng epekto at direktang nag-aaplay para sa pahintulot
Paglalarawan: Pagtatasa ng epekto sa EIA; batay sa data ng field, pagtanggap ng pagiging sensitibo sa kapaligiran, pinagsama-samang epekto at mga limitasyon ng regulasyon. Ang AI ay maaaring gumawa ng isang paghatol tulad ng 'negligible' nang hindi pinagbabatayan ito sa data. Dapat itong kunin bilang isang hypothesis/sketch; Ang laki ng epekto ay hindi dapat isulat bilang panghuling paghatol sa ulat nang hindi nabe-verify sa pamamagitan ng pagsukat, pagmomodelo at pagsusuri ng eksperto.
6. Sa isang serye ng oras ng PM10 mula sa tuluy-tuloy na istasyon ng pagsubaybay, nag-flag ang AI ng isang biglaang 'overshoot' (sa itaas na halaga ng threshold). Aling hakbang sa pag-verify ang pinakamahalaga?
- A) Direktang pagpapadala ng karatula sa opisyal bilang opisyal na abiso sa paglampas
- B) Sinusuri ang hilaw na data, mga flag ng QA/QC ng sensor, pagkakalibrate at data ng kapitbahay na istasyon ✔
- C) Pag-smoothing ng graph at pagtatago ng overshoot
- D) Pagtaas ng threshold at pagtiyak na ang paglampas ay hindi nakikita
Paliwanag: Ang mga biglaang pagtalon sa data ng sensor ay maaaring isang tunay na kaganapan sa kontaminasyon, ngunit maaari ding isang sensor malfunction, pagkakalibrate drift, maintenance window o error sa paghahatid ng data. Bago tanggapin ang overshoot bilang totoo, kinakailangang i-verify ito sa pamamagitan ng pagtingin sa raw data, sensor QA/QC flag, calibration log at kalapit na data ng istasyon/meteorology; kung hindi, magkakaroon ng maling alarma o hindi nasagot na kaganapan.
7. Ano ang ibig sabihin ng mga paglabas ng 'Scope 2' sa mga kalkulasyon ng corporate carbon footprint?
- A) Lahat ng hindi direktang emisyon na nagreresulta mula sa supply chain at paggamit ng produkto
- B) Mga direktang emisyon mula sa pagkasunog ng gasolina sa pasilidad
- C) Hindi direktang paglabas ng biniling kuryente, singaw at pagpainit/pagpapalamig ✔
- D) Tanging mga emisyon mula sa pagtatapon ng basura
Paglalarawan: Sinasaklaw ng Saklaw 1 ang mga direktang emisyon (pagsunog ng gasolina sa sarili mong pasilidad, fleet ng sasakyan), Sinasaklaw ng Saklaw 2 ang mga hindi direktang paglabas ng biniling enerhiya (kuryente, singaw, pagpainit/pagpapalamig), Sinasaklaw ng Saklaw 3 ang iba pang hindi direktang paglabas sa value chain (supply, transportasyon, paggamit ng produkto). Bagama't gumagawa ang AI ng draft na imbentaryo, ang mga salik ng emission at klasipikasyon ng saklaw na ginagamit nito ay dapat ma-validate.
8. Kapag ang remote sensing ay nagbibigay ng mataas na halaga ng NDVI (Normalized Difference Vegetation Index), ano ang karaniwang ipinahihiwatig nito?
- A) Malalim at malinis na anyong tubig
- B) Hubad na bato at lupa
- C) Mataas na konsentrasyon ng polusyon sa hangin
- D) Makapal at malusog na berdeng halaman ✔
Paglalarawan: Ang NDVI ay kinakalkula bilang ratio ng pagkakaiba ng malapit na infrared at red band sa kabuuan ng mga ito at karaniwang nasa pagitan ng -1 at +1. Ang mataas na positibong halaga ay nagpapahiwatig ng siksik, malusog na berdeng halaman; tubig at hubad na lupa ay nagbibigay ng mababa o negatibong halaga. Kahit na gumawa ang AI ng interpretasyon ng NDVI, ang cloud, shadow, season, at sensor calibration effect ay dapat ma-verify gamit ang ground truth.
9. Nagtanong ka sa AI ng isang tanong tungkol sa batas sa kapaligiran at ang modelo ay nagbigay ng malinaw na halaga ng limitasyon na may sanggunian sa isang partikular na artikulo sa regulasyon. Alin ang sapilitan bago gamitin ang impormasyong ito sa isang opisyal na aplikasyon?
- A) Pagkumpirma ng substance number, limit value at validity status mula sa kasalukuyang opisyal na source ✔
- B) Isulat ang numero ng artikulo na ibinigay ng AI sa petisyon ng aplikasyon kung ano ito.
- C) Isulat lamang muli ang pangungusap sa isang pormal na istilo
- D) Pagkuha ng average dahil ang AI ay nagbibigay ng higit sa isang sagot
Paliwanag: Ang mga LLM ay maaaring gumawa ng mga hindi umiiral na numero ng artikulo, pinawalang-bisa ang mga regulasyon, o maling breakpoint at isumite ang mga ito nang walang kasalukuyang impormasyon sa petsa. Ang sangguniang pambatas at halaga ng limitasyon ay hindi maaaring gamitin sa mga opisyal na transaksyon nang hindi nakumpirma sa petsa ng bisa mula sa kasalukuyang opisyal na pinagmulan (Opisyal na Gazette, portal ng batas).
10. Alin ang totoo bago gumamit ng AI-generated na Python script upang linisin at i-trend ang data ng istasyon ng pagmamanman?
- A) Direktang paglalagay ng resulta ng trend sa ulat habang gumagana ang code nang walang mga error
- B) Paikliin ang mga pangalan ng variable at tanggalin ang mga linya ng komento
- C) Pag-upload ng script kasama ang lahat ng raw tracking data sa isang pampublikong serbisyo
- D) I-verify gamit ang mga pagsusulit na may alam na mga resulta, pagsusuri ng unit at mga edge case, at protektahan ang pagiging kumpidensyal ng data ✔
Paglalarawan: Maaaring maglaman ang AI code ng maling conversion ng unit, maling pagpuno ng nawawalang data, maling pag-parse ng petsa, o sa mga edge na kaso, silent bug. Code; na-validate gamit ang maliit na data ng pagsubok na may mga kilalang resulta, pagsuri sa dami/laki, at mga kaso sa gilid (nawawalang halaga, negatibong nabasa, dobleng tala); Bukod pa rito, hindi dapat ipadala ang personal/kumpidensyal na data sa mga panlabas na serbisyo nang walang pahintulot. Ang resulta ay kinumpirma ng paghatol sa engineering.