Możliwości wykorzystania sztucznych sieci neuronowych do modelowania stężenia ozonu przy powierzchni ziemi

• Autorzy: Hoffman Sz.

Warianty tytułu

EN

Possibility of Neural Networks Application to Surface Ozone Concentration Modelling

• Języki publikacji: PL

Abstrakty

PL

Zbadano możliwości zastosowania różnych typów sieci neuronowych do modelowania stężenia ozonu przy powierzchni ziemi. W obliczeniach wykorzystano dane zarejestrowane w 1996 r. na stacji pomiarowej monitoringu powietrza w Zabrzu. Analizowany zbiór danych stanowiły zmierzone w godzinach dziennych wartości stężeń 03, NO." natężenia promieniowania słonecznego, temperatury i prędkości wiatru uśrednione w okresach 60-minutowych. Do utworzenia modeli regresyjnych, uzależniających stężenie ozonu od stężenia NO" temperatury, natężenia promieniowania słonecznego i prędkości wiatru, wykorzystano sztuczne sieci neuronowe o strukturze perceptronu. W badaniach ograniczono się do trzech typów modeli neuronowych: liniowych, perceptronu trójwarstwowego, perceptronu czterowarstwowego. Jako kryterium oceny otrzymanych modeli przyjęto wartość pierwiastka z błędu średniokwadratowego RMSE, wynikającego z rozbieżności między wartościami obliczonymi a wartościami rzeczywistymi stężenia 03. Na podstawie przeprowadzonej analizy stwierdzono, że modele neuronowe wykorzystujące strukturę perceptronu trójwarstwowego i czterowarstwowego są zdecydowanie lepsze (dokładniejsze) od modeli liniowych. Dokładność modeli neuronowych wykorzystujących strukturę perceptronu trójwarstwowego i czterowarstwowego jest podobna. Liczba neuronów w warstwach ukrytych perceptronów nie decyduje o dokładności modelu. Prędkość wiatru może być pomijana w modelowaniu stężenia ozonu w godzinach dziennych.

EN

Possibility of neural networks application to the surface ozone concentration modelling was examined. The data gathered in 1996 at the air monitoring station in Zabrze (Upper Silesia, Poland) were used in calculations. The analysed data set was built of 60-minutes' averages of temperature, insolation and wind speed as well as 03 and NO, concentrations measured at the daytime hours. Neural networks were used for generation of multiple regression models, conditioning ozone concentration by temperature, insolation, wind speed and NO, concentration. Three types of neural networks were tested: linear, non-linear perceptrons with one hidden layer and non-linear perceptrons with two hidden layers. The value of root mean square error RMSE resulting from divergences between model input and real 03 concentration values was assumed as the criterion of each model estimation. It was stated that the non-linear models are decidedly better than the linear regression models. Accuracies of non-linear perceptron models with one and two hidden layers are similar. Number of neurons in hidden layers does not influence on model accuracy. Wind speed may be omitted as the input variable in neural models.

Słowa kluczowe

PL

sztuczne sieci neuronowe; perceptron wielowarstwowy; modelowanie; modele regresyjne; stężenie ozonu

EN

neural networks; multilayer perceptron; modelling; regression models; ozone concentration

• Wydawca: Towarzystwo Chemii i Inżynierii Ekologicznej
• Czasopismo: Chemia i Inżynieria Ekologiczna
• Rocznik: 2002
• Tom: Vol. 9, nr 8
• Strony: 911--917
• Opis fizyczny: Bibliogr. 10 poz., tab.

Twórcy

autor

Hoffman Sz.

• Katedra Technologii Wody, Ścieków i Chemii Środowiska, Politechnika Częstochowska, ul. J.H. Dąbrowskiego 69, 42-200 Częstochowa

Bibliografia

• [1] Warneck P.: Chemistry of the Natural Atmosphere, Int. Geophys. Ser., Vol. 41, Acad. Press, London 1987.
• [2] Milionis A.E. i Davies T.D.: Regression and stochastic models for air pollution — I. Rewiev, comments and suggestions. Atmos. Environ., 1994, 28(17), 2801-2810.
• [3] Milionis A.E. i Davies T.D.: Regression and stochastic models for air pollution – II. Application of stochastic models to examine the links between ground-level smoke concentrations and temperature inversions, ibid., 1994, 28(17), 2811-2822.
• [4] Hoffman S.: Statystyczna ocena czynników wpływających na zmiany stężenia ozonu w warstwie granicznej atmosfery. Inż. Ochr. Środow., 1998, 1(1), 65-72.
• [5] Hoffman S.: Wpływ emisji NOx i warunków meteorologicznych na poziom stężenia ozonu troposferycznego. Proceedings of the II International Scientific Conference „Air Protection in Theory and Applications”, Polish Academy of Science - Institute of Environmental Engineering and Committee of Environmental Engineering, Zabrze 1988, section III, s. 67-77.
• [6] Hoffman S.: Modele regresji wielowymiarowej opisujące zmiany stężenia ozonu przy powierzchni ziemi. Materiały III Sympozjum POL-IMIS '99 „Ocena wielkości imisji zanieczyszczeń powietrza”, Szklarska Poręba, czerwiec 1999, s. 41-46.
• [7] Osowski S.: Sieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa 1996.
• [8] Tadeusiewicz R.: Sieci neuronowe, Akademicka Oficyna Wyd., Warszawa 1993.
• [9] Baran J., Świąć A. i Hoffman S.: Zastosowanie sieci neuronowych do modelowania stężenia ozonu przy powierzchni ziemi. Inż. Ochr. Środow., 1999, 3(3-4), 305-321.
• [10] Statistica Neural Networks, StatSoft 1998.