Wykorzystanie elementów uczenia maszynowego do modelowania stężenia zanieczyszczeń atmosferycznych: studium przypadku pyłu pm2.5 w Szczecinie

• Autorzy: Bihałowicz Jan Stefan

Identyfikatory

DOI

10.5604/01.3001.0015.8120

Warianty tytułu

EN

Application of machine learning in air pollutants modeling: a case study of pm2.5 in Szczecin (Poland)

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono możliwość modelowania stężeń zanieczyszczeń w lokalizacji o określonym, stałym profilu emisji przy wykorzystaniu modeli uczenia maszynowego. Jako zanieczyszczenie wybrano pył PM2.5,a jako zmienne objaśniające przyjęto parametry metrologiczne mierzone na stacji synoptycznej. Przeprowadzono uczenie i walidację sześciu różnych modeli na podstawie obserwacji meteorologicznych zarejestrowanych w latach 2013–2018 na stacji IMGW-PIB w Szczecinie (Polska) oraz średniodobowych stężeń pyłu PM2.5 z tego samego okresu zmierzonych na stacji GIOŚ w Szczecinie przy ul. Andrzejewskiego, podzielonych na trzy równoliczne klasy stężeń. Dwa modele, które dawały najdokładniejsze wyniki, zostały szczegółowo przedstawione. Czułość tych modeli, w zależności od klasy stężenia pyłu, zawierała się pomiędzy 0,484 a 0,711. Te dwa modele zostały zastosowane do identyfikacji wzrostu średniodobowych stężeń w trakcie zdarzenia nietypowego – pożaru składowisk odpadów. Stężenia przewidziane w dniach, w których trwał pożar, były zaniżone względem faktycznych stężeń, co pozwala na zastosowanie modeli w identyfikacji zjawisk atypowych, które mają wpływ na stężenia zanieczyszczeń w danym miejscu.

EN

The work presents the possibilities of using machine learning in modeling pollutant concentra tions at locations with defined constant sources of emission. The PM2.5 was chosen as the pollutant to be studied with meteorological variables as exogenous variables measured at a weather station. Six different models were implemented and cross-validated on meteorological data recorded in 2013-2018 at the Institute of Meteorology and Water Management station in Szczecin, Poland, and PM2.5 concentrations from the same period divided into three classes, measured at the air quality station of the Chief Inspectorate of Environmental Protection (Poland) located at Andrzejewskiego Street in Szczecin. Two best-performing models were described in detail. The sensitivity of the models was found to vary from 0.484 to 0.711 depending on the class of PM2.5 concentration. Those two models were then applied to identify increases in PM concentrations that were caused by an extraordinary incident – landfill fire. It was proven that the predicted values of concentration that occur during the fire were underestimated as compared to actual concentration levels and hence such models can be applied in the identification of abnormal phenomena that may affect the concentrations of pollutants in a given location.

Słowa kluczowe

PL

modelowanie matematyczne; uczenie maszynowe; zanieczyszczenia atmosferyczne; PM2.5; pożar

EN

mathematical modeling; machine learning; air pollutants; PM2.5; fire

• Wydawca: Szkoła Główna Służby Pożarniczej
• Czasopismo: Zeszyty Naukowe SGSP / Szkoła Główna Służby Pożarniczej
• Rocznik: 2022
• Tom: Nr 81
• Strony: 7--28
• Opis fizyczny: Bibliogr. 34 poz., rys., tab.

Twórcy

autor

Bihałowicz Jan Stefan

• Szkoła Główna Służby Pożarniczej

• https://orcid.org/0000-0003-3465-5315

Bibliografia

• 1. GIOŚ Przeniesienie mobilnej stacji monitoringu powietrza z Ostrowca Świętokrzyskiego do Sandomierza, https://powietrze.gios.gov.pl/pjp/rwms/content/show/2352 (dostęp: 14.11.2021).
• 2. GIOŚ Przeniesienie mobilnej stacji monitoringu powietrza z Jędrzejowa do Opatowa, https://powietrze.gios.gov.pl/pjp/rwms/content/show/2353 (dostęp: 14.11.2021).
• 3. GIOŚ Przeniesienie mobilnej stacji monitoringu powietrza z Połczyna-Zdroju do Kołobrzegu, https://powietrze.gios.gov.pl/pjp/rwms/content/show/2418 (dostęp: 14.11.2021).
• 4. Tang R., Zeng F., Chen Z., Wang J.-S., Huang C.-M., Wu Z., The Comparison of Predicting Storm-Time Ionospheric TEC by Three Methods: ARIMA, LSTM, and Seq2Seq, „Atmosphere (Basel)” 2020, 11, 316, doi:10.3390/atmos11040316.
• 5. Poornima S., Pushpalatha M., Prediction of Rainfall Using Intensified LSTM Based Recurrent Neural Network with Weighted Linear Units, „Atmosphere (Basel)” 2019, 10, 668, doi:10.3390/atmos10110668.
• 6. Voyant C., Notton G., Kalogirou S., Nivet M.-L., Paoli C., Motte F., Fouilloy A., Machine learning methods for solar radiation forecasting: A review, „Renew. Energy” 2017, 105, 569–582, doi: .1016/j.renene.2016.12.095.
• 7. Nikolos I.K., Stergiadi M., Papadopoulou M.P., Karatzas G.P., Artificial neural networks as an alternative approach to groundwater numerical modelling and environmental design, „Hydrol. Process” 2008, 22, 3337–3348, doi:10.1002/hyp.6916.
• 8. Shahriar S.A., Kayes I., Hasan K., Hasan M., Islam R., Awang N.R., Hamzah Z., Rak A.E., Salam M.A., Potential of ARIMA-ANN, ARIMA-SVM, DT and CatBoost for Atmospheric PM2.5 Forecasting in Bangladesh, „Atmosphere (Basel)” 2021, 12, 100, doi:10.3390/atmos12010100.
• 9. Wang P., Zhang H., Qin Z., Zhang G., A novel hybrid-Garch model based on ARIMA and SVM for PM 2.5 concentrations forecasting, „Atmos. Pollut. Res.” 2017, 8, 850–860, doi:10.1016/j.apr.2017.01.003.
• 10. Chen G., Li S., Knibbs L.D., Hamm N.A.S., Cao W., Li T., Guo J., Ren H., Abramson M.J., Guo Y., A machine learning method to estimate PM2.5 concentrations across China with remote sensing, meteorological and land use information, „Sci. Total Environ.” 2018, 636, 52–60, doi:10.1016/j.scitotenv.2018.04.251.
• 11. Rahimpour A., Amanollahi J., Tzanis C.G., Air quality data series estimation based on machine learning approaches for urban environments, „Air Qual. Atmos. Heal.” 2021, 14, 191–201, doi:10.1007/s11869-020-00925-4.
• 12. Kleine Deters J., Zalakeviciute R., Gonzalez M., Rybarczyk Y., Modeling PM 2.5 Urban Pollution Using Machine Learning and Selected Meteorological Parameters, „J. Electr. Comput. Eng.” 2017, 2017, 1–14, doi:10.1155/2017/5106045.
• 13. Demšar J., Curk T., Erjavec A., Gorup Č., Hočevar T., Milutinovič M., Možina M., Polajnar M., Toplak M., Starič A. et al., Orange: Data mining toolbox in python, „J. Mach. Learn. Res.” 2013, 14(35):2349−2353.
• 14. GIOŚ Portal Jakość Powietrza GIOŚ, http://powietrze.gios.gov.pl/pjp/home (dostęp: 2.06.2020).
• 15. EEA Explore air pollution, https://www.eea.europa.eu/themes/air/explore-air-pollution-data (dostęp: 12.08.2021).
• 16. IMGW-PIB Dane publiczne IMGW-PIB, https://dane.imgw.pl/ (dostęp: 12.08.2021).
• 17. Fix E., Hodges J.L., Discriminatory Analysis. Nonparametric Discrimination: Consistency Properties, Randolph Field, Texas, 1951.
• 18. Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning, Springer Series in Statistics, Springer New York: New York, NY, 2009; ISBN 978-0-387-84857-0.
• 19. Tikhonov A.N., Solution of incorrectly formulated problems and the regularization method, „Dokl. Akad. Nauk SSSR” 1963, 151.
• 20. Rumelhart D.E., Hinton G.E., Williams R.J., Learning representations by back-propagating errors, „Nature” 1986, 323, 533–536, doi:10.1038/323533a0.
• 21. Kingma D.P., Ba J.L., Adam: A Method for Stochastic Optimization, Int. Conf. Learn. Represent. 2015.
• 22. Pearson K., III. Contributions to the mathematical theory of evolution, „Proc. R. Soc. London” 1894, 54, 329–333, doi:10.1098/rspl.1893.0079.
• 23. Johnson N.L., Kotz S., Balakrishnan N., Continuous univariate distributions, 1994.
• 24. Haibo He, Garcia E.A., Learning from Imbalanced Data, „IEEE Trans. Knowl. Data Eng.” 2009, 21, 1263–1284, doi:10.1109/TKDE.2008.239.
• 25. Majewski G., Czechowski P., Badyda A., Brandyk A., Effect of air pollution on visibility in urban conditions. Warsaw case study, „Environ. Prot. Eng.” 2014, 40, 47–64, doi:10.5277/epe140204.
• 26. Majewski G., Rogula-Kozłowska W., Czechowski P., Badyda A., Brandyk A., The Impact of Selected Parameters on Visibility: First Results from a Long-Term Campaign in Warsaw, Poland, „Atmosphere (Basel)” 2015, 6, 1154–1174, doi:10.3390/atmos6081154.
• 27. Majewski G., Szeląg B., Mach T., Rogula-Kozłowska W., Anioł E., Bihałowicz J., Dmochowska A., Bihałowicz J.S., Predicting the Number of Days With Visibility in a Specific Range in Warsaw (Poland) Based on Meteorological and Air Quality Data, „Front. Environ. Sci.” 2021, 9, doi:10.3389/fenvs.2021.623094.
• 28. Seiffert C., Khoshgoftaar T.M., Hulse J. Van, Napolitano A., RUSBoost: A Hybrid Approach to Alleviating Class Imbalance, „IEEE Trans. Syst. Man, Cybern. – Part A Syst. Humans” 2010, 40, 185–197, doi:10.1109/TSMCA.2009.2029559.
• 29. Jaszczyński M., POŻAR w Szczecinie przy ul. Pomorskiej. Policja: Zamknijcie okna. Doszło do eksplozji [ZDJĘCIA], „Głos Szczeciński” 2018.
• 30. Masternak O., Pożar w Szczecinie przy ul. Pomorskiej. Nowe informacje, stan powietrza i oświadczenie firmy [ZDJĘCIA], „Głos Szczeciński” 2018.
• 31. Bihałowicz J.S., Rogula-Kozłowska W., Krasuski A., Contribution of landfill fires to air pollution – An assessment methodology, „Waste Manag.” 2021, 125, 182–191, doi: 10.1016/j.wasman.2021.02.046.
• 32. Bihałowicz J.S., Rogula-Kozłowska W., Krasuski A., Salamonowicz Z., The critical factors of landfill fire impact on air quality, „Environ. Res. Lett.” 2021, 16, 104026, doi:10.1088/1748-9326/ac27cd.
• 33. Bihałowicz J., Rogula-Kozłowska W., Krasuski A., Majder-Łopatka M., Walczak A., Mach T., Aerosol from waste wood fires: number and volume size distribution. In Proceedings of the 3rd Symposium [in:] Drzeniecka-Osiadacz A., Korzystka-Muskała M., Sawiński T., Bilińska D., Kubicka J. (ed.), Air Quality and Health Book of Abstracts, Wrocław 2021, p. 72–73.
• 34. KG PSP Interwencje PSP: lata 2010–2019 zestawienia, https://www.kgpsp.gov.pl/panstwowa_straz_pozarna/interwencje_psp (dostęp: 18.01.2020).