Porównanie dokładności różnych metod predykcji stężeń zanieczyszczeń powietrza

• Autorzy: Hoffman S. , Jasiński R.

Warianty tytułu

EN

A comparison of accuracies of different air pollutants concentration prediction methods

• Języki publikacji: PL

Abstrakty

PL

W analizie wykorzystano dane zarejestrowane w latach 2004-2008 na ośmiu stacjach monitoringu powietrza działających w różnych miejscowościach województw łódzkiego i mazowieckiego. W pracy badano możliwości aproksymacji stężeń zanieczyszczeń mierzonych na stacjach monitoringu powietrza. Ocenę jakości modelowania wykonano poprzez porównanie modelowanych stężeń ze stężeniami rzeczywistymi. Do predykcji stężeń wykorzystano sieci neuronowe. Porównywano dokładność pięciu różnych grup modeli: modeli szeregów czasowych, liniowych modeli regresji wielowymiarowej, nieliniowych modeli regresji wielowymiarowej, liniowych modeli regresji wielowymiarowej eksplorujących dane pochodzące z sąsiednich stacji monitoringu i nieliniowych modeli regresji wielowymiarowej eksplorujących dane pochodzące z sąsiednich stacji monitoringu. Celem praktycznym była rekomendacja optymalnych technik modelowania luki pomiarowej obejmującej pewien dłuższy fragment serii czasowej tylko jednego z zanieczyszczeń powietrza przy założeniu, że są dostępne wszystkie pozostałe dane, w tym dane pochodzące z sąsiednich stacji monitoringu powietrza. Wykonana analiza wykazała, że dla każdego z zanieczyszczeń powietrza należy rekomendować inne metody predykcji, ponieważ występują duże różnice w możliwościach modelowania poszczególnych zanieczyszczeń powietrza. Stężenia takich zanieczyszczeń, jak O3, SO2, PM10 można efektywnie modelować metodą szeregów czasowych, ale tylko do pewnego horyzontu prognozy, po którym regresyjne metody modelowania okazują się dokładniejsze. W modelowaniu stężeń O3 i PM10 efektywne może się okazać wykorzystanie stężeń tych zanieczyszczeń zarejestrowanych na innych stacjach monitoringu powietrza. W przypadku pozostałych zanieczyszczeń NO, NO2 i CO zasadne jest stosowanie tylko jednej metody modelowania - analizy regresji. Liniowe modele regresyjne są mniej dokładne od ich nieliniowych odpowiedników. Różnice dokładności obu typów modeli nie zawsze są duże. Dlatego modele liniowe mogą stanowić praktyczną alternatywę dla nieliniowych odpowiedników.

EN

Air monitoring data collected over a 5-year period at 8 different measure sites in Central Poland were used as the database for analysis purposes. Approximation of concentrations of monitored air pollutants were done by means of several prediction methods: time series analysis, regression analysis with predictors from a single monitoring station, and regression analysis with external predictors. Separate models were created for O3, NO2, NO, PM10, SO2, CO. Modelled and measured concentrations were compared. As a result prediction errors were calculated for each model. The main objective of analysis was a comparison of prediction results, and recommendation the most accurate modelling methods, dedicated to specified pollutants. The examination was made by means of artificial neural networks, which were employed to create all types of models.

Słowa kluczowe

PL

zanieczyszczenia powietrza; monitoring powietrza; stężenia chwilowe; dane monitoringu; brakujące dane; luki pomiarowe; aproksymacja; modele szeregów czasowych; modele regresyjne; sieci neuronowe

EN

air monitoring; hourly concentrations; monitoring data; air pollution; missing data; measure gaps; approximation; time series models; regression models; neural networks

• Wydawca: Wydawnictwo Politechniki Częstochowskiej
• Czasopismo: Inżynieria i Ochrona Środowiska
• Rocznik: 2009
• Tom: T. 12, nr 4
• Strony: 307--325
• Opis fizyczny: Bibliogr. 8 poz.

Twórcy

autor

Hoffman S.

autor

Jasiński R.

• Politechnika Częstochowska, Katedra Chemii, Technologii Wody i Ścieków

Bibliografia

• [1] Rozporządzenie Ministra Środowiska z dnia 17 grudnia 2008 r. w sprawie dokonywania oceny poziomów substancji w powietrzu, Dz U Nr 5, poz. 31.
• [2] 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.
• [3] Brockwell P. J., Davis R. A.. Introduction to time series and forecasting, Springer-Verlag 2002.
• [4] Hoffman S., Zastosowanie sieci neuronowych w modelowaniu regresyjnym stężeń zanieczyszczeń powietrza, Wydawnictwa Politechniki Częstochowskiej, Częstochowa 2004.
• [5] Hoffman S.. Ozone concentration modelling at air monitoring stations using external data, Polish Journal of Environmental Studies 2009, 18, 2B, 182-186.
• [6] Hoffman S., Short-Time forecasting of atmospheric NOx concentration by neural networks, Environmental Engineering Science 2006, 23 (4), 603-609.
• [7] Statistica Neural Networks, StatSoft 1998.
• [8] Hoffman S.: Missing data completing in the air monitoring systems by forward and backward prognosis methods, Environmental Protection Engineering 2006, 32 (4), 25-29.