Neuronowy model prognozowania smogu

• Autorzy: Makar Kamila , Kajewska-Szkudlarek Joanna

Identyfikatory

DOI

10.15199/9.2022.1.4

Warianty tytułu

EN

Neural Smog Prediction Model

• Języki publikacji: PL

Abstrakty

PL

W dzisiejszych czasach zanieczyszczenie powietrza jest jednym z głównych, globalnych zagrożeń dla człowieka i środowiska. Prognozowanie zanieczyszczeń powietrza możliwe jest dzięki modelom sztucznej inteligencji, w tym sztucznym sieciom neuronowym. W artykule przedstawiono model prognozowania smogu z wykorzystaniem sztucznych sieci neuronowych stworzony na podstawie wielkości stężenia pyłów PM10 w Nowej Rudzie w okresie 2019-2020 oraz danych meteorologicznych. Do prognozowania wykorzystano sieć neuronową typu perceptron wielowarstwowy. Aby poprawić jakość modelu wykorzystano analizę skupień, dzięki której otrzymano dokładniejszą prognozę. Przeprowadzone badania wskazują, że wykorzystanie analizy skupień do grupowania wielkości PM10 w zależności od aktualnej temperatury minimalnej znacząco wpływa na jakość prognozy. Wynika to z korelacji niskiej temperatury powietrza, która wymusza ogrzewanie mieszkań, ze wzrostem wielkości niskiej emisji. Zastosowanie zaproponowanej metodyki prognozowania umożliwiło otrzymanie neuronowego modelu predykcji PM10, w którym zależność danych rzeczywistych i prognozowanych wynosiła r = 0.99, a średniokwadratowy błąd MSE od 0.021 do 0.159. Tak dokładne prognozowanie zanieczyszczenia powietrza może się przyczynić do poprawy jakości życia i ochrony społeczeństwa przed smogiem.

EN

Nowadays, air pollution is one of the main global threat to the environment and human. Air pollution forecasting is possible thanks to artificial intelligence models, including artificial neural networks. The article presents a smog forecast model with the use of neural artificial networks based on the volume of PM10 in Nowa Ruda in the period 2019-2020 and meteorological data. A multilayer perceptron neural network type was used for prediction. To improve the quality of the model, a cluster analysis was used, thanks to which a more accurate forecast was obtained. The conducted research shows that the use of cluster analysis to group PM10 values depending on the actual minimum temperature significantly improves the quality of the forecast. This is due to the correlation of low air temperature, which causes home heating, with an increase in low emissions. Using the proposed methodology, the PM10 neural prediction models were obtained, for which the relationship between the observed and predicted data was r = 0.99 and the mean square error MSE from 0.021 to 0.159. Such accurate forecasting of air pollution may contribute to the improvement of the quality of life and protection of the society against smog.

Słowa kluczowe

PL

analiza skupień; model prognozy smogu; PM10; sztuczne sieci neuronowe; zanieczyszczenie powietrza

EN

cluster analysis; smog prediction model; PM10; artificial neural networks; air pollution

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Ciepłownictwo, Ogrzewnictwo, Wentylacja
• Rocznik: 2022
• Tom: T. 53, nr 1
• Strony: 28--33
• Opis fizyczny: Bibliogr. 12 poz., tab., wykr.

Twórcy

autor

Makar Kamila

• Uniwersytet Przyrodniczy we Wrocławiu, Wydział Przyrodniczo-Technologiczny, Wrocław

autor

Kajewska-Szkudlarek Joanna

• Uniwersytet Przyrodniczy we Wrocławiu, Wydział Inżynierii Kształtowania Środowiska i Geodezji, Wrocław

• https://orcid.org/0000-0002-0253-8133

Bibliografia

• [1] Adnane Anas, Leghrib Radouane, Chaoufi Jamal, Chirmata Ahmed. 2021. „Prediction of PM10 concentrations in the city of Agadir (Morocco) using non-linear autoregressive artificial neural networks with exogenous inputs (NARX)”. Materials Today: Proceedings.
• [2] Cortina-Januchs Maria G., Quintanilla-Dominguez Joel, Vega-Corona Antonio, Andina Diego. 2015. “Development of a model for forecasting of PM10 concentrations in Salamanca, Mexico”. Atmospheric Pollution Research 6 (4): 626-634.
• [3] Fallahizadeh Saeid, Kermani Majid, Esrafili Ali, Asadgol Zahra, Gholami Mitra. 2021. “The effects of meteorological parameters on PM10: Health impacts assessment using AirQ+ model and prediction by an artificial neural network (ANN)”. Urban Climate 38: 100905.
• [4] Grzeszczyk Tadeusz A. 2005. ”Sztuczna inteligencja we wspomaganiu procesu prognozowania w przedsiębiorstwie”. W: Statystyka i data mining w badaniach naukowych, Wątroba Janusz (red.), Statsoft Polska, 91-105.
• [5] Kajewska-Szkudlarek Joanna. 2020. “Clustering approach to urban rainfall time series prediction with support vector regression model”. Urban Water Journal 17 (3): 235-246.
• [6] Kleszczewska Ewa, Andryszczyk Malgorzata, Łogwiniuk Katarzyna, Dorosh Natalia, Boyko Oxana. 2013. „Nawyki żywieniowe na Ukrainie i w Polsce. Część II. Analiza wzorców konsumpcji żywności metodą Warda”. Hygeia Public Health 48 (4): 532-536.
• [7] Kuchcik Magdalena, Milewski Paweł. 2018. „Zanieczyszczenie powietrza w Polsce-stan, przyczyny i skutki”. Studia KPZK 182 (2): 341-364.
• [8] Kurnaz Gamze, Demir Alparslan S. 2022. “Prediction of SO2 and PM10 air pollutants using a deep learning-based recurrent neural network: Case of industrial city Sakarya”. Urban Climate 41: 101051.
• [9] Skulska Małgorzata, Skulska Monika, Makowski Łukasz. 2003. „Zastosowanie sieci neuronowych”. Wyższa Szkoła Zawodowa w Tarnobrzegu.
• [10] Smarra Francesco, Jain Achin, Mangharam Rahul, D’Innocenzo Alessandro. 2018. “Data-driven Switched Affine Modeling for Model Predictive Control”. IFAC-PapersOnLine 51: 199-204.
• [11] Treder Michalina. 2017. „Smog zagrożeniem bezpieczeństwa zdrowotnego w Polsce”. Rocznik Bezpieczeństwa Międzynarodowego 11 (1): 190-204.
• [12] Wolińska Marzena, Behan Andrzej, Gajcy Halina, Frącek Bogusław, Wałęsa Regina, Adamska Urszula, Wróbel Piotr, Zawiślak Anna, Bisikiewicz Elżbieta. 2014. „Strategia Rozwoju Gminy Miejskiej Nowa Ruda na lata 2014-2020”. Załącznik do Uchwały Nr 448/LI/14 Rady Miejskiej W Nowej Rudzie z dnia 30 lipca 2014 r.