فائدہ:
- اخراج (ذریعہ سے) اور ارتکاز (ہوا میں ماپا) کے درمیان فرق کرنے کی صلاحیت اور کیلیبریٹڈ ڈیٹا کو AQI میں تبدیل کرنے اور حد سے موازنہ کرنے کی صلاحیت
- ایک قلیل مدتی آلودگی کی پیشین گوئی کا ماڈل بنانے اور ہر پیشین گوئی کو اعتماد کے وقفوں اور ماڈل کی حدود کے ساتھ ایمانداری سے پیش کرنے کی صلاحیت
- صحت عامہ کے دعووں کی حمایت کرنے کی صلاحیت بغیر ثبوت کے مصنوعی ذہانت کے ایسے حصوں کو اپنانے کے لیے جن میں تقسیم/طبیعیات کی ضرورت ہوتی ہے۔
فضائی آلودگی پوشیدہ لیکن مہلک ہے: یہ ہر سال لاکھوں قبل از وقت اموات کا سبب بنتی ہے اور موسمیاتی تبدیلیوں سے جڑی ہوئی ہے۔ ادارے اپنے اسٹیک کے اخراج اور اپنے ارد گرد ہوا کے معیار دونوں کے ذمہ دار ہیں۔ اس یونٹ میں، آپ ہوا کے معیار کے پیرامیٹرز، پیمائش اور ماڈلنگ کے طریقے، AI کے ساتھ پیشین گوئی اور ان سب کی حدود سیکھیں گے۔
پہلے تصورات۔ ہوا کے معیار کو عام طور پر کئی بڑے آلودگیوں پر ماپا جاتا ہے: PM2.5 اور PM10 (2.5 اور 10 مائکرون سے چھوٹے ذرات - سانس لینے والی دھول)، NO₂ (نائٹروجن ڈائی آکسائیڈ - دہن سے)، SO₂ (سلفر ڈائی آکسائیڈ)، O₃ (زمین کی سطح اوزون)، اور کارمون آکسائیڈ AQI (ایئر کوالٹی انڈیکس) وہ انڈیکس ہے جو ان آلودگیوں کو ایک رنگین/نمبر والے پیمانے (اچھے خطرناک) میں تبدیل کرتا ہے جسے عوام سمجھ سکتے ہیں۔ اخراج ماخذ سے جاری ہونے والی مقدار ہے، جبکہ ارتکاز ہوا میں ارتکاز ہے۔ یہ ضروری ہے کہ دونوں کو الجھایا نہ جائے۔
اشارہ: اخراج (ذریعہ سے) اور ارتکاز (ہوا میں ماپا) دو مختلف چیزیں ہیں۔ ہوا، درجہ حرارت اور ٹپوگرافی ایک ہی اخراج کا سبب بنتی ہے جس کے نتیجے میں بہت مختلف ارتکاز ہوتا ہے۔ "چمنی سے باہر نکلنا کم ہے" کہنے کا مطلب یہ نہیں ہے کہ "قریبی ہوا صاف ہے"۔
ماڈلنگ: اخراج سے حراستی تک
چمنی سے نکلنے والے آلودگی کے ارتکاز کا حساب لگانا کسی قریبی محلے تک پہنچ جائے گا، بازی ماڈلنگ کا معاملہ ہے۔ یہ ماڈل موسمیات (ہوا کی سمت/رفتار، ماحولیاتی استحکام) اور ٹپوگرافی کا استعمال کرتے ہیں۔ کلاسیکی ماڈلز (مثلاً گاوسی ڈسٹری بیوشن ماڈل) فزکس پر مبنی ہیں۔ AI کا استعمال ان ماڈلز کو تیز کرنے، آؤٹ پٹ کی تشریح کرنے اور بڑے پیمائشی ڈیٹا سیٹس سے پیٹرن نکالنے کے لیے کیا جاتا ہے — لیکن طبیعیات کو AI میں فٹ کرنا خطرناک ہے۔
پیشن گوئی: کل کے موسم کی پیشن گوئی
AI کا سب سے مضبوط میدان پیشین گوئی ہے: ایسے ماڈلز بنانا جو کل یا چند گھنٹوں بعد آلودگی کی سطح کی پیشین گوئی کرتے ہیں، تاریخی پیمائش، موسمیات اور ٹریفک ڈیٹا کا استعمال کرتے ہوئے۔ یہ صحت عامہ کے انتباہات اور احتیاط (مثلاً ٹریفک کی پابندی) کے لیے قابل قدر ہے۔ لیکن ہر پیشین گوئی میں غیر یقینی صورتحال ہوتی ہے، اور ماڈل غلط ہو گا جب وہ ان حالات سے باہر ہو جس پر اسے تربیت دی گئی تھی (مثال کے طور پر، ایک غیر متوقع آگ)۔
مرحلہ وار: ہوا کے معیار کا تجزیہ
1. سوال اور پیرامیٹر منتخب کریں۔ کون سا آلودگی، کون سا مقام، کس مدت تک؟
2. ڈیٹا سورس کی تصدیق کریں۔ حوالہ اسٹیشن یا کم لاگت کا سینسر؟ کیلیبر۔
3. پری پروسیس۔ گمشدہ ڈیٹا، سینسر ڈرفٹ، انتہائی آؤٹ لیرز کو صاف کریں۔
4. AQI میں تبدیل کریں اور حد سے موازنہ کریں۔ کیا قانونی حد پار ہو گئی ہے؟
5. ماڈل/پیش گوئی۔ رجحان، موسمی، مستقبل کا تخمینہ۔
6. غیر یقینی صورتحال کی اطلاع دیں۔ ہمیشہ اعتماد کے وقفوں اور ماڈل کی حدود کے ساتھ تخمینے پیش کریں۔
تین چھوٹے مقدمات
کیس 1 - اخراج ارتکاز کی الجھن۔ ایک سہولت یہ اعلان کرنا چاہتی تھی کہ اس نے اپنے اسٹیک کے اخراج میں 20% کمی کر دی ہے اور اس لیے "پڑوس کی ہوا 20% صاف تھی"۔ ماہر نے ظاہر کیا کہ اس وقت ہوا کا رخ بدل گیا تھا اور ارتکاز دراصل موسمیات سے متاثر ہوا تھا۔ اخراج میں کمی حقیقی تھی، لیکن ارتکاز کا دعویٰ بے بنیاد تھا۔ بیان صرف "ہم نے اسٹیک کے اخراج کو 20% تک کم کیا" تک محدود تھا۔ بغیر ثبوت کے فضائی دعویٰ ہٹا دیا گیا۔
کیس 2 - سینسر کیلیبریشن۔ ایک اسکول کو کم لاگت والے سینسر کے ساتھ "خطرناک PM2.5" الرٹ موصول ہوا۔ جب ماہر نے سینسر کا موازنہ قریبی حوالہ سٹیشن سے کیا، تو اس نے پایا کہ قدر زیادہ نمی پر بڑھ گئی تھی۔ نمی کی اصلاح کے بعد، قدر کم ہو کر "درمیانے" کی سطح پر آ گئی۔ ایک غیر کیلیبریٹڈ سینسر گھبراہٹ کا سبب بن سکتا ہے۔ (یہ ایک بار پھر ظاہر کرتا ہے کہ ہر پیمائش کے علاقے میں سینسر کیلیبریشن کتنی اہم ہے۔)
کیس 3 - پیشن گوئی کی غیر یقینی صورتحال۔ ایک میونسپلٹی نے اگلے دن اپنے AI پیشن گوئی کے ماڈل کے ساتھ "زیادہ آلودگی" سے خبردار کیا، لیکن ریت کے ایک غیر متوقع طوفان نے اس پیشین گوئی کو ناکام بنا دیا۔ ٹیم نے پہلے اطلاع دی تھی کہ یہ ماڈل "غیر تربیتی ڈیٹا ایونٹس کے لیے ناقابل اعتبار ہے"۔ اس لیے انتباہ کو "ممکنہ" کے طور پر پیش کیا گیا اور اعتماد کا کوئی نقصان نہیں ہوا۔ غیر یقینی صورتحال کو واضح کرنا پیشین گوئی کا ذمہ دارانہ استعمال ہے۔
کمزور فوری / مضبوط اشارہ
کمزور اشارہ:
موسم کے اس ڈیٹا کے ساتھ کل کی پیشین گوئی کریں۔
یہ کمزور کیوں ہے: پیرامیٹرز، مقام، ڈیٹا کے معیار، ماڈل کی قسم اور غیر یقینی صورتحال کی کوئی مانگ نہیں۔ آؤٹ پٹ ایک واحد نمبر ہوگا، اس کی وشوسنییتا نامعلوم ہے۔
طاقتور اشارہ:
آپ کا کردار: ایئر کوالٹی ڈیٹا سائنسدان۔ مندرجہ ذیل PM2.5 گھنٹہ کے اعداد و شمار اور موسمیات (ہوا، نمی، درجہ حرارت) کے ساتھ، اگلے 24 گھنٹوں کے لیے ازگر میں ایک سادہ پیشن گوئی ماڈل (مثلاً گریڈینٹ بوسٹنگ) ترتیب دیں۔ مراحل: (1) ڈیٹا کی صفائی اور سینسر ڈرفٹ کنٹرول، (2) فیچر کی تیاری، (3) ماڈل، (4) اعتماد کے وقفے کے ساتھ پیشین گوئیاں کرنا۔ ماڈل کی حدود کو واضح طور پر بیان کریں (غیر تعلیمی حالات میں ناقابل اعتبار)۔ ڈیٹا: [یہاں]
چار کاپی کرنے کے قابل ٹیمپلیٹس
1) ایئر ڈیٹا کی صفائی + AQI:
Python (انڈر شوٹ، اسٹک، ڈرفٹ، اوور شوٹ) کے ساتھ درج ذیل ہوا کے معیار کی پیمائش کو صاف کریں اور انہیں معیاری AQI میں تبدیل کریں۔ واضح کریں کہ آپ کون سا AQI فارمولا استعمال کرتے ہیں۔ فٹنگ قانونی حد سے تجاوز کرنے والے اوقات کو نشان زد کریں۔ ڈیٹا: [یہاں]
2) اخراج بمقابلہ حراستی فرق:
درج ذیل دعوے کو چیک کریں: کیا یہ اخراج (ذریعہ سے) یا ارتکاز (ہوا میں ماپا) کے بارے میں ہے؟ ان حصوں کو نمایاں کریں جو دونوں کو الجھاتے ہیں یا موسمیات کو نظر انداز کرتے ہیں اور شواہد کی بنیاد پر ایک ماپا دوبارہ بیان تجویز کرتے ہیں۔ دعویٰ: [یہاں]
3) پیشن گوئی ماڈل (غیر یقینی صورتحال کے ساتھ):
آپ کا کردار: ڈیٹا سائنسدان۔ مندرجہ ذیل ٹائم سیریز کے ساتھ [آلودہ کنندگان] کے لیے ایک مختصر مدتی پیشن گوئی ماڈل (Python) بنائیں۔ ہر پیشین گوئی کو اس کے اعتماد کے وقفے کے ساتھ دیں۔ واضح طور پر لکھیں کہ کن حالات میں (غیر تربیتی واقعہ، انتہائی موسم) ماڈل ناقابل اعتبار ہوگا۔ حد سے زیادہ پر امید سچائی کا دعویٰ FAKE.Data: [یہاں]
4) وسائل کی شراکت کا خلاصہ:
ذیل میں ہوا کے معیار اور ہوا کے اعداد و شمار سے، ممکنہ ذریعہ کی سمت کے بارے میں اشارہ دینے کے لیے زیادہ آلودگی کے اوقات میں ہوا کس سمت سے آرہی ہے۔ "یہ ذریعہ ہے" بالکل نہ کہیں۔ پیش کش کا امکان اور تصدیق۔ ڈیٹا: [یہاں]
عام غلطیاں
- ارتکاز کے ساتھ مبہم اخراج۔ چمنی میں کمی کا مطلب ہوا میں صفائی نہیں ہے۔
- غیر کیلیبریٹڈ سینسر پر انحصار کرنا۔ نمی اور بڑھے قدروں کو بڑھاتے ہیں۔
- بے یقینی کے بغیر تخمینہ پیش کرنا۔ ہر تخمینہ اعتماد کے وقفے کے ساتھ دیا جانا چاہیے۔
- طبیعیات کو AI کے ساتھ فٹ کرنا۔ تقسیم کے ماڈل کے لیے طبیعیات کی ضرورت ہوتی ہے۔ ایل ایل ایم کی "پیش گوئی" طبیعیات نہیں ہے۔
- قانونی حدوں کو یاد رکھنا۔ قانون سازی سے حد کی اقدار لیں۔
احتیاط: ہوا کے معیار کے دعوے عوامی صحت سے متعلق ہیں۔ ایک غلط "صاف" دعوی لوگوں کو خطرے میں ڈالتا ہے؛ ایک بے بنیاد "گندی" الارم غیر ضروری گھبراہٹ اور معاشی نقصان کو جنم دیتا ہے۔ کیلیبریٹڈ ڈیٹا، مناسب ماڈل، اور واضح غیر یقینی صورتحال کے ساتھ ہر دعوے کی حمایت کریں۔
خلاصہ میں
ہوا کا معیار؛ اس کے لیے اخراج کو ارتکاز سے الگ کرنا، پیمائش کی پیمائش، مناسب ماڈلنگ اور غیر یقینی صورتحال کے ساتھ پیش گوئی کی ضرورت ہے۔ اے آئی یہ ڈیٹا کی صفائی، پیٹرن نکالنے اور قلیل مدتی پیشن گوئی میں طاقتور ہے۔ لیکن طبیعیات کی بنیاد پر تقسیم، سینسر کیلیبریشن، قانونی حدیں، اور غیر یقینی صورتحال کی ایماندارانہ رپورٹنگ ماہر سے تعلق رکھتی ہے۔ چمنی پر نمبر محلے کی ہوا کے برابر نہیں ہے۔
درخواست کا کام
کسی مقام کے لیے فرضی گھنٹہ وار PM2.5 اور موسمیاتی ڈیٹا تیار کریں۔ پہلی ٹیمپلیٹ کے ساتھ، AI سے ڈیٹا کو صاف کریں، اسے AQI میں تبدیل کریں، اور حد سے تجاوز کو نشان زد کریں۔ پھر تیسرے ٹیمپلیٹ کے ساتھ ایک قلیل مدتی پیشن گوئی ماڈل بنائیں اور یقینی بنائیں کہ ہر پیشن گوئی اعتماد کے وقفے کے ساتھ آتی ہے۔ آخر میں، ٹیمپلیٹ 2 کے ساتھ اخراج/ارتکاز کے لیے اپنے ہوا کے معیار کے دعوے کا آڈٹ کروائیں۔
چیک لسٹ
- میں نے اخراج اور ارتکاز کے درمیان فرق درست طریقے سے کیا ہے۔
- میں نے انشانکن اور بڑھے ہوئے سینسر کے ڈیٹا کو چیک کیا۔
- میں نے درست فارمولے/قانون سے AQI اور حدیں حاصل کیں۔
- [ ] میں نے اعتماد کے وقفے اور ماڈل کی حد کے ساتھ تخمینہ پیش کیا۔
- میرے پاس AI ان حصوں کو اپنانے کی ضرورت نہیں تھی جن کی تقسیم/طبیعیات کی ضرورت تھی۔
- میں نے ثبوت کے ساتھ صحت عامہ کے دعووں کی حمایت کی۔