Powiadomienia systemowe
- Sesja wygasła!
- Sesja wygasła!
- Sesja wygasła!
- Sesja wygasła!
Identyfikatory
Warianty tytułu
Aproximation of air monitoring data gaps by means of time-series neural models
Języki publikacji
Abstrakty
W pracy oceniono możliwości aproksymacji stężeń zanieczyszczeń mierzonych na stacjach monitoringu powietrza. Do predykcji stężeń wykorzystano neuronowe modele szeregów czasowych. Jakość modelowania testowano na rzeczywistych danych pochodzących ze stacji monitoringu powietrza Łódź-Widzew, zarejestrowanych w latach 2004-2008. Analizie poddano względnie kompletny zbiór danych, obejmujący stężenia 6 podstawowych zanieczyszczeń powietrza: O3, NO2, NO, PM10, SO2, CO. Celem badawczym było określenie i porównanie dokładności predykcji stężeń różnych zanieczyszczeń powietrza. Modelowanie przeprowadzono, stosując sztuczne sieci neuronowe. Trening sieci odbywał się przy użyciu liniowego algorytmu pseudoinwersji. Wyjściem modelu było stężenie wybranego zanieczyszczenia w określonym czasie. Wejściami były wartości stężeń zarejestrowane w godzinach wcześniejszych. Każdy model charakteryzowały dwie wielkości: horyzont prognozy i liczba wartości opóźnionych. W analizie określono dokładność predykcji stężeń wybranych zanieczyszczeń dla stałej liczby wartości opóźnionych równej 24 przy zmieniającym się horyzoncie prognozy od 1 do 240 godz. Jako kryterium jakości modelowania przyjęto wartość błędu aproksymacji.
An assessment of quality of air pollutants concentration modeling was the main research purpose. The examination was made by means of artificial neural networks, which were employed to create time-series models. The quality of approximation was tested on the actual set of air monitoring data, gathered over a 5-year period at the measure site in Lodz-Widzew (Central Poland). The examined time-series involved hourly concentrations of main air pollutants: O3, NO2, NO, PM10, SO2, CO. The research aim was the estimation and the comparison of prediction accuracy for different air pollutants. Time-series models were characterized by two parameters which might influence the prediction quality: lookahead and steps. For all models the constant number of steps equal 24 hours was assumed. The effect of changes of lookahead in the range 1÷ 240 hours was analyzed. It was stated that the decreasing of precision of time-series models with the increase of lookahead is observed. The drop of accuracy depends on pollutant. The furthest reasonable prognosis may be done for ozone concentration. Approximation accuracy shortens in the order: O3, CO, SO2, PM10, NO2, NO.
Czasopismo
Rocznik
Tom
Strony
231--239
Opis fizyczny
Bibliogr. 9 poz.
Twórcy
autor
- Politechnika Częstochowska, Katedra Chemii, Technologii Wody i Ścieków
Bibliografia
- [1] Brockwell P. J., Davis R. A., Introduction to time series and forecasting, Springer-Verlag 2002.
- [2] Gardner M. W., Dorling S. R., Artificial neural networks (the multilayer perceptron) - a review of applications in the atmospheric sciences, Atmos. Environ. 1998, 32, 14/15, 2627-2636.
- [3] Ballester E. B. i in., Effective 1-day ahead prediction of hourly surface ozone concentrations in eastern Spain using linear models and neural networks, Ecological Modelling 2002, 156, 27-41.
- [4] Hoffman S., Jasiński R., Studies on NOx concentration modeling in the air monitoring systems, chapter in Pathways of pollutants and mitigation strategies of their impact on the ecosystems, ed. M. R. Dudzińska, M. Pawłowska, Monografie Komitetu Inżynierii Środowiska PAN, Lublin 2004, 185-192.
- [5] Hoffman S., Missing data completing in the air monitoring systems by forward and backward prognosis methods, Environmental Protection Engineering 2006, 32 (4), 25-29.
- [6] Hoffman S., Treating missing data at air monitoring stations [w:] Environmental Engineering, Eds. L. Pawłowski, M. R. Dudzińska, A. Pawłowski, Taylor & Francis Group, London 2007, 349-353.
- [7] Hoffman S., Zastosowanie sieci neuronowych w modelowaniu regresyjnym stężeń zanieczyszczeń powietrza, Wydawnictwa Politechniki Częstochowskiej, Częstochowa 2004.
- [8] Statistica Neural Networks, StatSoft 1998.
- [9] Hoffman S., Short-time forecasting of atmospheric NOx concentration by neural networks, Environmental Engineering Science 2006, 23 (4), 603-609.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-article-LOD7-0020-0020