Kazanimlar:
- Emisyon (kaynaktan çıkan) ile konsantrasyon (havada ölçülen) ayrımını yapıp kalibre veriyi AQI'ye çevirerek eşiklerle karşılaştırabilme
- Kısa vadeli kirlilik tahmini modeli kurup her tahmini güven aralığı ve model sınırıyla dürüstçe sunabilme
- Dağılım/fizik gerektiren kısımları yapay zekaya uydurtmadan, halk sağlığı iddialarını kanıtla destekleyebilme
Hava kirliliği görünmez ama ölümcüldür: her yıl milyonlarca erken ölümün nedenidir ve iklim değişikliğiyle iç içedir. Kurumlar hem kendi baca emisyonlarından hem de çevrelerindeki hava kalitesinden sorumludur. Bu ünitede hava kalitesi parametrelerini, ölçüm ve modelleme yöntemlerini, YZ ile tahmini ve tüm bunların sınırlarını öğreneceksiniz.
Önce kavramlar. Hava kalitesi genellikle birkaç ana kirletici üzerinden ölçülür: PM2.5 ve PM10 (2,5 ve 10 mikrondan küçük partikül maddeler — solunabilir toz), NO₂ (azot dioksit — yanma kaynaklı), SO₂ (kükürt dioksit), O₃ (yer seviyesi ozonu) ve CO (karbon monoksit). AQI (Air Quality Index — hava kalitesi indeksi), bu kirleticileri halkın anlayacağı tek bir renkli/numaralı skalaya (iyi–tehlikeli) çeviren indekstir. Emisyon kaynaktan çıkan miktarken, konsantrasyon havadaki yoğunluktur; ikisini karıştırmamak kritiktir.
İpucu: Emisyon (kaynaktan çıkan) ile konsantrasyon (havada ölçülen) farklı şeylerdir. Rüzgâr, sıcaklık ve topografya, aynı emisyonun çok farklı konsantrasyonlara yol açmasına neden olur. "Bacadan az çıkıyor" demek, "yakındaki hava temiz" demek değildir.
Modelleme: emisyondan konsantrasyona
Bir bacadan çıkan kirleticinin yakındaki bir mahallede hangi konsantrasyona ulaşacağını hesaplamak dağılım modellemesi (dispersion modeling) işidir. Bu modeller meteoroloji (rüzgâr yönü/hızı, atmosfer kararlılığı) ve topografyayı kullanır. Klasik modeller (örneğin Gauss dağılım modeli) fizik tabanlıdır; YZ ise bu modelleri hızlandırmada, çıktıyı yorumlamada ve büyük ölçüm veri setlerinden desen çıkarmada kullanılır — ama fiziği YZ'ye "uydurtmak" tehlikelidir.
Tahmin: yarınki havayı öngörmek
YZ'nin en güçlü olduğu alan tahmindir (forecasting): geçmiş ölçüm, meteoroloji ve trafik verisiyle, yarınki ya da birkaç saat sonraki kirletici seviyesini öngören modeller kurmak. Bu, halk sağlığı uyarıları ve önlem (örneğin trafik kısıtlaması) için değerlidir. Ama her tahminin bir belirsizliği vardır ve model, eğitildiği koşulların dışına çıkınca (örneğin beklenmedik bir yangın) yanılır.
Adım adım: bir hava kalitesi analizi
1. Soruyu ve parametreyi seç. Hangi kirletici, hangi konum, hangi süre?
2. Veri kaynağını doğrula. Referans istasyon mu, düşük maliyetli sensör mü? Kalibre mi?
3. Ön işle. Eksik veri, sensör drifti, aşırı uç değerleri temizle.
4. AQI'ye çevir ve eşikle karşılaştır. Yasal sınır aşılıyor mu?
5. Modelle/tahmin et. Trend, mevsimsellik, gelecek projeksiyonu.
6. Belirsizliği raporla. Tahminleri her zaman güven aralığıyla ve model sınırıyla sun.
Üç mini vaka
Vaka 1 — Emisyon-konsantrasyon karışıklığı. Bir tesis, baca emisyonunu %20 azalttığını ve bu yüzden "mahalle havasının %20 temizlendiğini" duyurmak istedi. Uzman, o dönem rüzgâr yönünün değiştiğini ve konsantrasyonun aslında meteorolojiden etkilendiğini gösterdi; emisyon azalması gerçekti ama konsantrasyon iddiası kanıtsızdı. İfade "baca emisyonunu %20 azalttık" ile sınırlandı; kanıtsız hava iddiası çıkarıldı.
Vaka 2 — Sensör kalibrasyonu. Bir okul, düşük maliyetli sensörle "tehlikeli PM2.5" alarmı aldı. Uzman, sensörü yakındaki bir referans istasyonla karşılaştırınca yüksek nemde değeri şişirdiğini gördü; nem düzeltmesi sonrası değer "orta" seviyeye indi. Kalibrasyonsuz sensör paniğe yol açabilirdi. (Bu, sensör kalibrasyonunun her ölçüm alanında ne kadar kritik olduğunu bir kez daha gösterir.)
Vaka 3 — Tahmin belirsizliği. Bir belediye, YZ tahmin modeliyle ertesi gün "yüksek kirlilik" uyarısı verdi ama beklenmedik bir kum fırtınası tahmini boşa çıkardı. Ekip, modelin "eğitim verisi dışı olaylarda güvenilmez" olduğunu baştan raporlamıştı; bu yüzden uyarı "olası" olarak sunulmuştu ve güven kaybı yaşanmadı. Belirsizliği açıkça belirtmek, tahminin sorumlu kullanımıdır.
Zayıf prompt / Güçlü prompt
Zayıf prompt:
Bu hava verisiyle yarını tahmin et.
Neden zayıf: Parametre, konum, veri kalitesi, model türü ve belirsizlik talebi yok. Çıktı tek bir sayı olur, güvenilirliği bilinmez.
Güçlü prompt:
Rolün: hava kalitesi veri bilimci. Aşağıdaki PM2.5 saatlik verisi vemeteoroloji (rüzgâr, nem, sıcaklık) ile, ertesi 24 saat için Python'dabasit bir tahmin modeli (ör. gradient boosting) kur. Adımlar: (1) veritemizliği ve sensör drift kontrolü, (2) özellik hazırlığı, (3) model,(4) tahminleri güven aralığıyla ver. Modelin sınırlarını (eğitim dışıolaylarda güvenilmezlik) açıkça yaz. Veri: [buraya]
Dört kopyalanabilir şablon
1) Hava verisi temizlik + AQI:
Aşağıdaki hava kalitesi ölçümlerini Python ile temizle (eksik,takılı, drift, aşırı uç) ve standart AQI'ye çevir. Hangi AQIformülünü kullandığını belirt; uydurma. Yasal eşik aşımı olansaatleri işaretle. Veri: [buraya]
2) Emisyon vs konsantrasyon ayrımı:
Aşağıdaki iddiayı denetle: emisyon (kaynaktan çıkan) mı, konsantrasyon(havada ölçülen) mı hakkında? İkisini karıştıran ya da meteorolojiyigöz ardı eden kısımları işaretle ve kanıta dayalı, ölçülü bir yenidenifade öner. İddia: [buraya]
3) Tahmin modeli (belirsizlikli):
Rolün: veri bilimci. Aşağıdaki zaman serisiyle [kirletici] için kısavadeli tahmin modeli kur (Python). Her tahmini güven aralığıyla ver.Modelin hangi koşullarda (eğitim dışı olay, aşırı hava) güvenilmezolacağını açıkça yaz. Aşırı iyimser doğruluk iddiası UYDURMA.Veri: [buraya]
4) Kaynak katkı özeti:
Aşağıdaki hava kalitesi ve rüzgâr verisinden, yüksek kirliliksaatlerinde rüzgârın hangi yönden geldiğini analiz et ki olası kaynakyönü hakkında ipucu verilebilsin. Kesin "kaynak budur" deme; olasılıkve doğrulama önerisi sun. Veri: [buraya]
Sık yapılan hatalar
- Emisyonla konsantrasyonu karıştırmak. Bacadaki azalma, havadaki temizlik demek değildir.
- Kalibrasyonsuz sensöre güvenmek. Nem ve drift değerleri şişirir.
- Tahmini belirsizliksiz sunmak. Her tahmin bir güven aralığıyla verilmelidir.
- Fiziği YZ'ye uydurtmak. Dağılım modeli fizik gerektirir; LLM'in "tahmini" fizik değildir.
- Yasal eşikleri hatırdan almak. Sınır değerleri mevzuattan alın.
Dikkat: Hava kalitesi iddiaları halk sağlığını ilgilendirir. Yanlış bir "temiz" iddiası insanları riske atar; asılsız bir "kirli" alarmı ise gereksiz panik ve ekonomik zarar yaratır. Her iddiayı kalibre veri, uygun model ve açık belirsizlikle destekleyin.
Özetle
Hava kalitesi; emisyon ile konsantrasyonu ayırmayı, kalibre ölçümü, uygun modellemeyi ve belirsizlikle sunulan tahmini gerektirir. YZ; veri temizliği, desen çıkarımı ve kısa vadeli tahminde güçlüdür. Ama fizik tabanlı dağılım, sensör kalibrasyonu, yasal eşikler ve belirsizliğin dürüst raporlanması uzmana aittir. Bacadaki sayı ile mahalledeki hava aynı şey değildir.
Uygulama görevi
Bir konum için varsayımsal saatlik PM2.5 ve meteoroloji verisi hazırlayın. 1. şablonla YZ'ye veriyi temizletip AQI'ye çevirtin ve eşik aşımlarını işaretletin. Ardından 3. şablonla kısa vadeli bir tahmin modeli kurdurup her tahminin güven aralığıyla geldiğinden emin olun. Son olarak bir hava kalitesi iddianızı 2. şablonla emisyon/konsantrasyon açısından denetletin.
Kontrol listesi
- [ ] Emisyon ve konsantrasyon ayrımını doğru yaptım.
- [ ] Sensör verisini kalibrasyon ve drift açısından kontrol ettim.
- [ ] AQI ve eşikleri doğru formül/mevzuattan aldım.
- [ ] Tahminleri güven aralığı ve model sınırıyla sundum.
- [ ] Dağılım/fizik gerektiren kısımları YZ'ye uydurtmadım.
- [ ] Halk sağlığı iddialarını kanıtla destekledim.