Using of artificial neural networks in predictions of SO2, NO and NO2 concentrations in Gliwice, Poland

Rogula, W.; Żeliński, J.

Artykuł - szczegóły

Tytuł artykułu

Using of artificial neural networks in predictions of SO2, NO and NO2 concentrations in Gliwice, Poland

Autorzy

Rogula W. , Żeliński J.

Identyfikatory

Warianty tytułu

Predykcja stężeń SO2, NO i NO2 w Gliwicach z użyciem sztucznych sieci neuronowych

Języki publikacji

Abstrakty

The paper presents application of measurements of pollutant concentrations and meteorological conditions to create neural networks able to predict the pollutant concentrations on the basis of meteorological conditions. The measured quantities comprised 30-min concentrations of SO₂, NO, NO₂, and meteorological parameters, such as direction and speed of wind, air temperature, solar radiation, air humidity, and Pasquill stability class of atmosphere. The data were developed with the use of the StatSoft's Statistica Neural Networks computer program. The Levenberg - Marquardt algorithm was used to train networks. About 600 networks were created, trained and tested for each of SO₂, NO and NO₂ to predict their concentrations in ambient air and from among them the best performing network was selected. The chosen networks were used to compute concentrations on the basis of meteorological parameters. The neural models were run subsequently for SO₂, NO and NO₂. Measured and computed concentrations of the pollutants were presented in charts, as well as errors made by networks while predicting.

W niniejszej pracy posłużono się wynikami pomiarów warunków meteorologicznych do wygenerowania sieci neuronowych prognozujących wartość stężenia na podstawie znajomości warunków meteorologicznych. Wyniki pomiarów obejmują: stężenia trzydziestominutowe: SO₂, NO, NO₂, parametry meteorologiczne: kierunek i prędkość wiatru, temperatura powietrza, natężenie promieniowania słonecznego, wilgotność powietrza i klasa stabilności atmosfery. Do analizy danych zastosowano program Statistica Neural Networks firmy StatSoft. Proces uczenia przeprowadzono stosując algorytm Levenberga - Marquardta. Dla celów prognozy zanieczyszczeń (SO₂, NO₂, NO) stworzono, wyuczono i przetestowano około 600 sieci dla każdej substancji i z nich wybrano trzy najlepsze. Wybrane sieci zostały wykorzystane do przewidywania wartości stężeń na podstawie parametrów meteorologicznych. Kolejno uruchamiano modele neuronowe dla: SO₂, NO, NO₂. Sporządzono, dla każdego zanieczyszczenia, wykresy przedstawiające przebiegi stężenia rzeczywistego i prognozowanego oraz wykresy błędu, jaki popełnia sieć podczas predykcji kolejnych stężeń.

Słowa kluczowe

multilayer perceptron artificial neutral networks air pollutants prediction input variables output variables meteorological conditions sulphur dioxide dinitrogen oxide

perceptron wielowarstwowy sztuczne sieci neuronowe zanieczyszczenia powietrza predykcja zmienna wejściowa parametry meteorologiczne dwutlenek azotu dwutlenek siarki

Wydawca

Institute of Environmental Engineering, Polish Academy of Sciences

Czasopismo

Archiwum Ochrony Środowiska

Rocznik

2005

Tom

Vol. 31, no. 4

Strony

3--16

Opis fizyczny

Bibliogr. 27 poz., tab., wykr.

Twórcy

autor

Rogula W.

Institute of Environmental Engineering of the Polish Academy of Sciences, ul. M. Skłodowskiej-Curie 34, 41-819 Zabrze

autor

Żeliński J.

Silesian University of Technology, Faculty of Energy and Environmental Engineering, Department of Air Protection, ul. Akademicka2, 44-100 Gliwice

Bibliografia

[1] Andretta M., A. Eleuteri, F. Fortezza, D. Manco, L. Mingozzi, R. Serra, R. Tagliaferri: Neural Networks for Sulphur Dioxide Ground Level Concentrations Forecasting, Neural Comput. & Applic., 9, 93-100 (2000).
[2] Asha В. C.V. Cheiani, Chalapati Rao, K.M. Phadke, M.Z. Hasan: Prediction of sulphur dioxide concentration using artificial neural networks, Environmental Modeling & Software, 17, 161-168 (2002).
[3] Bonzar M., M. Lesjak, P. Mlakar: A neural network-based method for short term predictions of ambient SO, concentrations in highly polluted industrial areas of complex terrain, Atmos. Environ., 27B, 221-230 (1993).
[4] Duch W., J. Korbicz, L. Rutkowski, R. Tadeusiewicz, Biocybernetyka i inżynieria biomedyczna 2000: Sieci neuronowe Tom 6, Akademicka Oficyna Wydawnicza, 2000.
[5] Famili A., Wei-Min Shen, R. Weber, E. Simoudis: Data Preprocessing and Intelligent Data Analysis, Intelligent Data Analysis, I, 3-23 (1997).
[6] 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).
[7] 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).
[8] Mohan M., T.A. Siddiqui: Analysis of various schemes for the estimation of atmospheric stability classification, Atmos. Environ., 32, 3775-3781 (1998).
[9] Perez P.: Prediction of sulfur dioxide concentrations at a site near downtown Santiago, Chile, Atmos. Environ., 35, 4929-4935 (2001).
[10] Perez P., A. Trier: Prediction of NO and NO, concentrations near a street with heavy traffic in Santiago, Chile, Atmos. Environ., 35, 1783-1789 (2001).
[11] Perez P., A. Trier, J. Reyes: Prediction of PM2.5 concentrations several hours in advance using neural networks in Santiago, Chile, Atmos. Environ., 34, 1189-1196 (2000).
[12] Raport o stanie miasta Gliwice za okres 1998-2002, Serwis internetowy Urzędu Miasta Gliwice (Dokumenty Zarządu Miasta Gliwice).
[13] Rogula W.: Identyfikacja mechanizmów dominujących w rozprzestrzenianiu zanieczyszczeń przy użyciu sztucznych sieci neuronowych. Politechnika Śląska w Gliwicach, praca dyplomowa niepublikowana, 2003.
[14] Seinfeld J.H., P. Spyros: Atmospheric Chemistry and Physics: From Air Pollution to Climate Change, John Wiley & Sons, Canada.
[15] Statistica Neural Networks PL: Kurs użytkowania programu na przykładach, StatSoft, 2001.
[16] Statistica Neural Networks PL: Przewodnik problemowy, StatSoft, 2001,
[17] Statistica Neural Networks PL: Wprowadzenie do sztucznych sieci neuronowych, StatSoft, 2001.
[18] Statistical Yearbook of the Republic of Poland, Central Statistical Office, Year LXIV Warsaw.
[19] Smith S.J., R. Andres, E. Conception, J. Lurz: Sulfur dioxide emissions: 1850-2000 (JGCRI Report. PNNL-14537), 2004.
[20] Straszko J., D. Dziubakiewicz: Analiza danych z automatycznych stacji monitoringu atmosfery, Inż.. Chem. i Proc., 21, 769, (2000).
[21] Straszko J., D. Dziubakiewicz: Wyznaczanie pól imisji na podstawie pomiarów stężeń zanieczyszczeń, Ochrona Powietrza i Problemy Odpadów, 6, 19, (2001).
[22] Tadeusiewicz R.: Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa 1993.
[23] Uzupełnienie Raportu o stanie miasta Gliwice o dane z 2003 roku, Serwis internetowy Urzędu Miasta Gliwice (Dokumenty Zarządu Miasta Gliwice).
[24] Uzupełnienie Raportu o stanie miasta Gliwice o dane z 2004 roku, Serwis internetowy Urzędu Miasta Gliwice (Dokumenty Zarządu Miasta Gliwice).
[25] Wierzbicki J., G. Augustyn: Usuwanie szumu i zakłóceń z wykorzystaniem inteligentnych systemów wnioskowania rozmytego, Archives Process Control Club, poz. 10 (2001).
[26] Zwoździak J.: Metody prognozy i analizy stężeń zanieczyszczeń w powietrzu w regionie Czarnego Trójkąta, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław 1995.
[27] Żurada J., W. Barski. W. Jędruch: Sztuczne sieci neuronowe, Wydawnictwo Naukowe PWN, Warszawa 1996.

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-article-BUS2-0008-0101