概述
人工智能填补了稀疏污染传感器之间的空白，并将原始数据转化为逐块空气质量地图和预测。这有助于哮喘患者计划他们的一天，并帮助城市瞄准最肮脏的热点地区。
空气质量监测中的人工智能侧重于实际部署：将模型功能转化为可靠的日常工作流程，提供可衡量的价值。
深入探讨
空气污染每年导致数百万人死亡，但参考监测仪价格昂贵且数量稀少，导致大多数社区无法进行测量。人工智能通过融合许多数据源来弥补这一点：低成本传感器网络、卫星测量（例如 NASA 的 TEMPO 和 ESA 的用于二氧化氮和气溶胶的 Sentinel-5P）、天气、交通和移动传感器。机器学习根据参考站校准嘈杂的廉价传感器，然后以街道分辨率对整个城市的污染进行插值。 Google 的 Project Air View 驾驶装有传感器的汽车来构建二氧化氮和颗粒物等污染物的超局部地图。模型还通过将当前读数与天气和排放模式相结合来预测未来数小时至几天的空气质量，并帮助将污染归因于源头，区分野火烟雾与交通或工业羽流。
技术洞察
核心任务是校准：低成本 PM2.5 和气体传感器会随湿度和温度而漂移，因此 ML 回归模型会根据可信参考监视器校正其读数。对于空间覆盖，土地利用回归和图形或地统计模型使用交通、海拔和卫星柱等预测因子来推断不存在传感器的污染情况。预测将天气模型置于顶层，因此风和逆温层会被纳入第二天的污染预测中。
掌握空气质量监测中的人工智能
人工智能填补了稀疏污染传感器之间的空白，并将原始数据转化为逐块空气质量地图和预测。这有助于哮喘患者计划他们的一天，并帮助城市瞄准最肮脏的热点地区。空气质量监测中的人工智能侧重于实际部署：将模型功能转化为可靠的日常工作流程，提供可衡量的价值。为了建立深入的理解，请将空气质量监测中的人工智能视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，在空气质量监测中使用人工智能的强大团队专注于工作流程结果，而不是模型演示，并尽早定义人工检查点。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
应用级设计决定了人工智能是否能改善实际结果。与此同时，将损坏的流程自动化可能会加剧现有的问题。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
应用级设计决定了人工智能是否能改善实际结果。
应用级设计决定了人工智能是否能改善实际结果。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
良好的工作流程集成可以创造用户值得信赖的生产力收益。
良好的工作流程集成可以创造用户值得信赖的生产力收益。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
范围明确的用例可以减少变更疲劳和实施风险。
范围明确的用例可以减少变更疲劳和实施风险。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
Google Project Air View 通过在调查车上安装传感器来绘制街道二氧化氮和颗粒物污染地图。
NASA 的 TEMPO 卫星提供北美每小时的空气污染地图，并与地面数据相结合进行预测。
PurpleAir 和 IQAir 等应用程序可校准低成本传感器网络，以在野火期间提供社区级别的 PM2.5 读数。
城市使用人工智能热点地图来瞄准交通限制、植树或在污染最严重的地方建立清洁空气区。
实施模式
人工智能在空气质量监测中的实践
Google Project Air View 通过在调查车上安装传感器来绘制街道二氧化氮和颗粒物污染地图。
Google Project Air View 通过在调查车上安装传感器来绘制街道层面的二氧化氮和颗粒物污染情况。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
人工智能在空气质量监测中的实践
NASA 的 TEMPO 卫星提供北美每小时的空气污染地图，并与地面数据相结合进行预测。
NASA 的 TEMPO 卫星提供北美地区每小时的空气污染地图，并与地面数据融合进行预测。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
人工智能在空气质量监测中的实践
PurpleAir 和 IQAir 等应用程序可校准低成本传感器网络，以在野火期间提供社区级别的 PM2.5 读数。
PurpleAir 和 IQAir 等应用程序可校准低成本传感器网络，以在野火期间提供社区级 PM2.5 读数。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
人工智能在空气质量监测中的实践
城市使用人工智能热点地图来瞄准交通限制、植树或在污染最严重的地方建立清洁空气区。
城市使用人工智能热点地图来瞄准交通限制、植树或选址污染最严重的清洁空气区。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
将损坏的流程自动化可能会加剧现有问题。
团队可能会过度自动化并消除所需的人工判断。
如果不持续评估输出，质量可能会出现偏差。
实施路线图
绘制当前工作流程并确定摩擦最大的步骤。
绘制当前工作流程并确定摩擦最大的步骤。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在完全自动化之前定义人工检查点。
在完全自动化之前定义人工检查点。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
对用户进行提示、升级路径和质量标准方面的培训。
对用户进行提示、升级路径和质量标准方面的培训。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪任务级结果以确认持续价值。
跟踪任务级结果以确认持续价值。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。