Lợi nhuận:
- Khả năng phân biệt giữa lượng khí thải (từ nguồn) và nồng độ (được đo trong không khí) và chuyển đổi dữ liệu đã hiệu chỉnh thành AQI và so sánh nó với các ngưỡng
- Khả năng xây dựng mô hình dự đoán ô nhiễm ngắn hạn và trình bày từng dự đoán một cách trung thực với khoảng tin cậy và giới hạn mô hình
- Khả năng hỗ trợ các tuyên bố về sức khỏe cộng đồng bằng bằng chứng mà không cần có các bộ phận thích ứng với trí tuệ nhân tạo yêu cầu phân phối/vật lý
Ô nhiễm không khí là vô hình nhưng gây chết người: nó gây ra hàng triệu ca tử vong sớm mỗi năm và gắn liền với biến đổi khí hậu. Các tổ chức phải chịu trách nhiệm về cả lượng khí thải ống khói của chính họ và chất lượng không khí xung quanh họ. Trong phần này, bạn sẽ tìm hiểu các thông số chất lượng không khí, phương pháp đo lường và lập mô hình, dự đoán bằng AI và giới hạn của tất cả những điều này.
Khái niệm đầu tiên. Chất lượng không khí thường được đo lường dựa trên một số chất gây ô nhiễm chính: PM2.5 và PM10 (các hạt nhỏ hơn 2,5 và 10 micron — bụi có thể hô hấp), NO₂ (nitơ đioxit — từ quá trình đốt cháy), SO₂ (lưu huỳnh điôxit), O₃ (ozon trên mặt đất) và CO (cacbon monoxit). AQI (Chỉ số chất lượng không khí) là chỉ số chuyển đổi các chất gây ô nhiễm này thành một thang màu/đánh số duy nhất (tốt-nguy hiểm) mà công chúng có thể hiểu được. Phát thải là lượng thoát ra từ nguồn, còn nồng độ là nồng độ trong không khí; Điều quan trọng là không nhầm lẫn giữa hai điều này.
Gợi ý: Khí thải (từ nguồn) và nồng độ (đo trong không khí) là hai thứ khác nhau. Gió, nhiệt độ và địa hình gây ra cùng một lượng khí thải dẫn đến nồng độ rất khác nhau. Nói “có ít khói thoát ra khỏi ống khói” không có nghĩa là “không khí gần đó sạch sẽ”.
Mô hình hóa: từ phát thải đến nồng độ
Tính toán nồng độ chất ô nhiễm thoát ra từ ống khói sẽ đến khu vực lân cận gần đó là vấn đề của mô hình phân tán. Những mô hình này sử dụng khí tượng học (hướng/tốc độ gió, độ ổn định của khí quyển) và địa hình. Các mô hình cổ điển (ví dụ: mô hình phân bố Gaussian) dựa trên vật lý; AI được sử dụng để tăng tốc các mô hình này, diễn giải kết quả đầu ra và trích xuất các mẫu từ các tập dữ liệu đo lường lớn - nhưng sẽ rất nguy hiểm khi “làm cho” vật lý phù hợp với AI.
Dự báo: dự đoán thời tiết ngày mai
Lĩnh vực mạnh nhất của AI là dự báo: xây dựng các mô hình dự đoán mức độ ô nhiễm vào ngày mai hoặc vài giờ sau, sử dụng dữ liệu đo lường, khí tượng và giao thông trong quá khứ. Điều này có giá trị cho các cảnh báo và biện pháp phòng ngừa về sức khỏe cộng đồng (ví dụ: hạn chế giao thông). Nhưng mọi dự đoán đều có sự không chắc chắn và mô hình sẽ sai khi nằm ngoài các điều kiện mà nó đã được huấn luyện (ví dụ: một vụ hỏa hoạn bất ngờ).
Từng bước: phân tích chất lượng không khí
1. Chọn câu hỏi và tham số. Chất gây ô nhiễm nào, vị trí nào, trong thời gian bao lâu?
2. Xác minh nguồn dữ liệu. Trạm tham chiếu hay cảm biến giá rẻ? Tầm cỡ?
3. Tiền xử lý. Dọn dẹp dữ liệu bị thiếu, trôi dạt cảm biến, các ngoại lệ cực đoan.
4. Chuyển đổi sang AQI và so sánh với ngưỡng. Có vượt quá giới hạn pháp lý không?
5. Mô hình/dự đoán. Xu hướng, tính thời vụ, dự đoán trong tương lai.
6. Báo cáo sự không chắc chắn. Luôn trình bày các ước tính với khoảng tin cậy và giới hạn mô hình.
ba trường hợp nhỏ
Trường hợp 1 - Nhầm lẫn nồng độ phát thải. Một cơ sở muốn thông báo rằng họ đã giảm 20% lượng khí thải ống khói và do đó "không khí khu vực lân cận sạch hơn 20%". Chuyên gia cho thấy hướng gió thay đổi vào thời điểm đó và nồng độ thực tế bị ảnh hưởng bởi khí tượng; Việc giảm phát thải là có thật, nhưng tuyên bố về nồng độ là không có cơ sở. Tuyên bố được giới hạn ở mức "chúng tôi đã giảm 20% lượng khí thải ngăn xếp"; Yêu cầu bồi thường không có bằng chứng được loại bỏ.
Trường hợp 2 - Hiệu chuẩn cảm biến. Một trường học nhận được cảnh báo "PM2.5 nguy hiểm" với cảm biến giá rẻ. Khi chuyên gia so sánh cảm biến với trạm tham chiếu gần đó, ông nhận thấy rằng giá trị bị tăng cao ở độ ẩm cao; Sau khi điều chỉnh độ ẩm, giá trị giảm xuống mức "trung bình". Một cảm biến không được hiệu chỉnh có thể gây hoảng loạn. (Điều này một lần nữa cho thấy tầm quan trọng của việc hiệu chỉnh cảm biến trong mọi khu vực đo.)
Trường hợp 3 - Dự báo không chắc chắn. Một đô thị đã cảnh báo về "ô nhiễm cao" vào ngày hôm sau bằng mô hình dự báo AI của mình, nhưng một cơn bão cát bất ngờ đã làm hỏng dự báo. Nhóm trước đó đã báo cáo rằng mô hình này “không đáng tin cậy đối với các sự kiện dữ liệu không đào tạo”; do đó cảnh báo được đưa ra là "có thể xảy ra" và không làm mất lòng tin. Làm rõ sự không chắc chắn là việc sử dụng dự đoán một cách có trách nhiệm.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Dự đoán ngày mai với dữ liệu thời tiết này.
Tại sao nó yếu: Không có nhu cầu về thông số, vị trí, chất lượng dữ liệu, loại mô hình và độ không chắc chắn. Đầu ra sẽ là một số duy nhất, độ tin cậy của nó không xác định.
Lời nhắc mạnh mẽ:
Vai trò của bạn: nhà khoa học dữ liệu chất lượng không khí. Với dữ liệu khí tượng và dữ liệu PM2.5 hàng giờ sau đây (gió, độ ẩm, nhiệt độ), hãy thiết lập mô hình dự báo đơn giản (ví dụ: tăng cường độ dốc) bằng Python trong 24 giờ tới. Các bước: (1) làm sạch dữ liệu và kiểm soát độ lệch cảm biến, (2) chuẩn bị tính năng, (3) mô hình, (4) đưa ra dự đoán với khoảng tin cậy. Nêu rõ những hạn chế của mô hình (không đáng tin cậy trong các tình huống phi giáo dục). Dữ liệu: [tại đây]
Bốn mẫu có thể sao chép
1) Làm sạch dữ liệu không khí + AQI:
Làm sạch các phép đo chất lượng không khí sau đây bằng Python (dưới mức, bị kẹt, trôi, vượt mức) và chuyển đổi chúng thành AQI tiêu chuẩn. Chỉ định công thức AQI nào bạn sử dụng; phù hợp. Đánh dấu số giờ vượt quá ngưỡng pháp lý. Dữ liệu: [tại đây]
2) Phân biệt nồng độ và phát thải:
Kiểm tra khẳng định sau: đó là về lượng khí thải (từ nguồn) hay nồng độ (đo trong không khí)? Làm nổi bật những phần gây nhầm lẫn giữa hai phần hoặc bỏ qua yếu tố khí tượng học và đề xuất cách trình bày lại có đo lường dựa trên bằng chứng. Yêu cầu: [tại đây]
3) Mô hình dự đoán (có độ không chắc chắn):
Vai trò của bạn: nhà khoa học dữ liệu. Xây dựng mô hình dự báo ngắn hạn (Python) cho [chất gây ô nhiễm] với chuỗi thời gian sau. Đưa ra mỗi dự đoán với khoảng tin cậy của nó. Viết rõ ràng trong những điều kiện nào (sự kiện không tập luyện, thời tiết khắc nghiệt) thì mô hình sẽ không đáng tin cậy. Khẳng định sự thật quá lạc quan FAKE.Data: [tại đây]
4) Tóm tắt đóng góp tài nguyên:
Từ dữ liệu về chất lượng không khí và gió bên dưới, hãy phân tích hướng gió đến trong những giờ ô nhiễm cao để đưa ra manh mối về hướng có thể có của nguồn. Đừng nói thẳng "đây là nguồn"; Đưa ra xác suất và xác minh. Dữ liệu: [tại đây]
Những lỗi thường gặp
- Sự phát thải gây nhầm lẫn với nồng độ. Ống khói giảm không có nghĩa là không khí sạch sẽ.
- Dựa vào cảm biến chưa được hiệu chỉnh. Độ ẩm và độ trôi làm tăng giá trị.
- Trình bày ước tính mà không có sự chắc chắn. Mỗi ước tính nên được đưa ra với một khoảng tin cậy.
- Làm cho vật lý phù hợp với AI. Mô hình phân phối yêu cầu vật lý; "Dự đoán" của LLM không phải là vật lý.
- Ghi nhớ các ngưỡng pháp lý. Lấy các giá trị giới hạn từ định luật.
Thận trọng: Tuyên bố về chất lượng không khí liên quan đến sức khỏe cộng đồng. Tuyên bố "sạch" sai sự thật sẽ khiến mọi người gặp nguy hiểm; Báo động “bẩn” vô căn cứ tạo ra sự hoảng loạn và thiệt hại kinh tế không đáng có. Hỗ trợ từng tuyên bố bằng dữ liệu đã hiệu chỉnh, mô hình phù hợp và độ không chắc chắn rõ ràng.
Tóm lại
Chất lượng không khí; Nó đòi hỏi phải tách khí thải ra khỏi nồng độ, hiệu chỉnh phép đo, mô hình hóa và dự đoán phù hợp với độ không chắc chắn. AI; Nó mạnh mẽ trong việc làm sạch dữ liệu, trích xuất mẫu và dự báo ngắn hạn. Nhưng sự phân bổ dựa trên vật lý, hiệu chuẩn cảm biến, ngưỡng pháp lý và báo cáo trung thực về độ không chắc chắn đều thuộc về chuyên gia. Con số trên ống khói không bằng không khí ở khu vực lân cận.
Nhiệm vụ ứng dụng
Chuẩn bị dữ liệu khí tượng và PM2.5 giả định theo giờ cho một địa điểm. Với mẫu đầu tiên, hãy yêu cầu AI làm sạch dữ liệu, chuyển đổi nó thành AQI và đánh dấu các mức vượt quá ngưỡng. Sau đó, xây dựng mô hình dự báo ngắn hạn với mẫu thứ 3 và đảm bảo rằng mỗi dự báo đều có khoảng tin cậy. Cuối cùng, hãy kiểm tra công bố chất lượng không khí của bạn về lượng khí thải/nồng độ bằng mẫu 2.
danh sách kiểm tra
- [ ] Tôi đã phân biệt chính xác giữa sự phát xạ và nồng độ.
- [ ] Tôi đã kiểm tra dữ liệu cảm biến để hiệu chuẩn và độ lệch.
- [ ] Tôi nhận được AQI và các ngưỡng từ công thức/luật pháp chính xác.
- [ ] Tôi đã trình bày các ước tính với khoảng tin cậy và giới hạn mô hình.
- [ ] Tôi không có AI điều chỉnh các phần yêu cầu phân phối/vật lý.
- [ ] Tôi ủng hộ các tuyên bố về sức khỏe cộng đồng bằng bằng chứng.