Artificial neural networks in air pollution prediction - importance of input variables

• Autorzy: Rogula W. , Żeliński J.

Warianty tytułu

PL

Sztuczne sieci neuronowe w prognozowaniu zanieczyszczenia powietrza - istotność zmiennych wejściowych

• Języki publikacji: EN

Abstrakty

EN

The essentiality of variables in Artificial Neural Networks (ANN) application in predicting concentrations of pollutants in the ambient air is considered in the paper. Evaluation of the essentiality was based on the data on concentrations of pollutants and meteorological conditions recorded by an automatic station monitoring the air quality in Gliwice. The data were analysed with the use of the StatSoft's Statistica Neural Networks (SNN) software, which is designed to simulate performance of artificial neural networks. In total, for all output variables (concentrations of SO₂, NO, NO₂, PM₁₀), more than 3500 models were tested to create the final neural networks. The best performing models were used to determine the influence of each input variable on levels of pollutant concentrations. Based on these analyses the conclusions were drawn concerning the importance of individual meteorological parameters.

PL

W prezentowanej pracy badano istotność doboru zmiennych wejściowych (mechanizmów i czynników meteorologicznych) w predykcji stężeń zanieczyszczeń powietrza za pomocą sztucznych sieci neuronowych. Posłużono się danymi pomiarowymi ze stacji monitoringu powietrza w Gliwicach. Do analizy danych zastosowano program Statistica Neural Networks firmy StatSoft. Podczas tworzenia sieci neuronowych, dla wszystkich zmiennych wyjściowych (stężeń kolejnych zanieczyszczeń), przetestowano ponad 3500 modeli neuronowych. Przy pomocy najlepszych modeli określono oddziaływanie danego parametru na poziom stężenia zanieczyszczenia (Analiza Wrażliwości Sieci). Na podstawie wykonanych analiz wyciągnięto wnioski, co do wagi konkretnych parametrów meteorologicznych.

Słowa kluczowe

EN

multilayer perceptron; neural network; backpropagation; artificial intelligence; air pollutants; prediction; input variables; output variables; meteorological conditions

PL

sztuczne sieci neuronowe; sztuczna inteligencja; perceptron wielowarstwowy; zanieczyszczenia powietrza; predykcja; zmienna wejściowa; parametry meteorologiczne

• Wydawca: Institute of Environmental Engineering, Polish Academy of Sciences
• Czasopismo: Archiwum Ochrony Środowiska
• Rocznik: 2005
• Tom: Vol. 31, no. 2
• Strony: 15--26
• Opis fizyczny: Bibliogr. 17 poz., tab., wykr.

Twórcy

autor

Rogula W.

• Instytut Podstaw Inżynierii Środowiska Polskiej Akademii Nauk, ul. M. Sktodowskiej-Curie 34, 41-819 Zabrze

autor

Żeliński J.

• Politechnika Śląska, Wydział Inżynierii Środowiska i Energetyki, Katedra Ochrony Powietrza, ul. Akademicka 2, 44-100 Gliwice

Bibliografia

• [1] Bilski J., L. Rutkowski: Sieci neuronowe i neurokomputery, Wydawnictwo Politechniki Częstochowskiej, Częstochowa 1996.
• [2] Cibas T., F. Fogelman-Soulie, P. Gallinari, S. Raudys: Variable selection with neural networks. Neurocomputing, 12, 223-248 (1996).
• [3] Egmont-Petersen M., J.L. Talmon, A. Hasman, A.W. Ambergen: Assessing the importance of features for multi-layer perceptrons, Neural Networks, 11, 623-635 (1998).
• [4] Ferod R., F. Clerot: A methodology to explain neural network classification, Neural Networks, 15, 237-246 (2002).
• [5] Gardner M.W., S.R. Dorling: Artificial Neural Networks (The Multilayer Perceptron)-A Review of Applications in the Atmospheric Sciences, Atmos. Environ., 32, 2627-2636 (1998).
• [6] Gardner M.W., S.R. Dorling: Neural network modeling and prediction of hourly NOx and NO, concentrations in urban air in London, Atmos. Environ., 33, 709-719 (1999).
• [7] Jorqueva H., R. Perez, A. Cipriano, A. Espejo, M. V. Letelier, G. Acuna: Forecasting ozone daily maximum levels at Santiago, Chile, Atmos. Environ., 32, 3415-3424 (1998).
• [8] Juda J., S. Chróściel: Ochrona powietrza atmosferycznego, Wydawnictwo Naukowo-Techniczne, Warszawa 1974
• [9] Perez P.: Prediction of sulfur dioxide concentrations at a site near downtown Santiago, Chile, Atmos. Environ., 35, 4929-4935 (2001).
• [10] Perez P., J. Reyes: Prediction of maximum of 24-h average of PM10 concentrations 30 h in advance in Santiago, Chile, Atmos. Environ., 36, 4555-4561 (2002).
• [11] Perez P., A. Trier: Prediction of NO and NO2 concentrations near a street with heave traffic in Santiago, Chile, Atmos. Environ., 35, 1783-1789 (2001).
• [12]. Rogula W.: Identyfikacja mechanizmów dominujących w rozprzestrzenianiu zanieczyszczeń przy użyciu sztucznych sieci neuronowych, Politechnika Śląska w Gliwicach, 2003, praca dyplomowa niepublikowana.
• [13]. Statistica Neural Networks PL: Kurs użytkowania programu na przykładach, StatSoft, 2001.
• [14]. Statistica Neural Networks PL: Przewodnik problemowy, StatSoft, 2001.
• [15]. Statistica Neural Networks PL: Wprowadzenie do sztucznych sieci neuronowych, StatSoft, 2001.
• [16]. Tadeusicwicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza RM, Warszawa 1993.
• [17]. Żurada j., W. Barski, W. Jędruch: Sztuczne sieci neuronowe, Wydawnictwo Naukowe PWN, 1996.