Explicit and implicit description of the factors impact on the NO2 concentration in the traffic corridor

• Autorzy: Kamińska Joanna Amelia , Turek Tomasz

Identyfikatory

DOI

10.24425/aep.2020.132530

Warianty tytułu

PL

Jawny i niejawny opis wpływu czynników na stężenie NO2 w kanionie komunikacyjnym

• Języki publikacji: EN

Abstrakty

EN

High concentrations of nitrogen dioxide in the air, particularly in heavily urbanized areas, have an adverse effect on many aspects of residents’ health. A method is proposed for modelling daily average, minimal and maximal atmospheric NO₂ concentrations in a conurbation, using two types of modelling: multiple linear regression (LR) an advanced data mining technique – Random Forest (RF). It was shown that Random Forest technique can be successfully applied to predict daily NO₂ concentration based on data from 2015–2017 years and gives better fi t than linear models. The best results were obtained for predicting daily average NO₂ values with R²=0.69 and RMSE=7.47 μg/m³. The cost of receiving an explicit, interpretable function is a much worse fit (R² from 0.32 to 0.57). Verification of models on independent material from the first half of 2018 showed the correctness of the models with the mean average percentage error equal to 16.5% for RF and 28% for LR modelling daily average concentration. The most important factors were wind conditions and traffic flow. In prediction of maximal daily concentration, air temperature and air humidity take on greater importance. Prevailing westerly and south-westerly winds in Wrocław effectively implement the idea of ventilating the city within the studied intersection. Summarizing: when modeling natural phenomena, a compromise should be sought between the accuracy of the model and its interpretability.

PL

Celem pracy jest zbadanie możliwości prognozowania dziennego stężenia NO₂ za pomocą metody losowego lasu – RF i porównanie wyników z wielowymiarową regresją liniową (LR) w oparciu o ten sam zestaw danych. Ponadto zbadano wpływ zwiększenia interpretowalności modelu na jego dokładność. W pracy przedstawiono dwie metody modelowania dziennych wartości minimalnych, średnich oraz maksymalnych stężeń NO₂ w aglomeracji miejskiej: wielowymiarowa regresja liniowa (LR) oraz losowy las (RF). Wykazano, że metoda Lasu Losowego (Random Forest) może być skutecznie wykorzystywana do przewidywania dziennych wartości stężenia NO₂. Największą dokładność otrzymano dla przewidywania średnich wartości dziennych stężenia z R²=0.69 oraz RMSE=7.47 μg/m³. Kosztem otrzymania jawnej postaci funkcji w modeli liniowym (LR) jest znacząco niższa dokładność przewidywania wartości stężenia (R² od 0.32 do 0.57). Weryfikacja modeli na niezależnym materiale z pierwszej połowy 2018 roku potwierdziła poprawność modeli ze średnim błędem względnym dla średnich wartości dobowych stężeń równym 16.5% dla RF oraz 28% dla LR. Największy wpływ na stężenia NO₂ w kanionie komunikacyjnym ma wiatr oraz natężenie ruchu. W modelowaniu maksymalnych wartości dobowych nabierają znaczenia temperatura powietrza oraz wilgotność względna powietrza. Przeważające zachodnie i północno-zachodnie wiatry we Wrocławiu skutecznie realizują koncepcję przewietrzania miasta w zakresie rozważanego skrzyżowania.

Słowa kluczowe

EN

nitrogen dioxide; traffic flow; meteorological conditions; random forest; linear regression

PL

dwutlenek azotu; ruch uliczny; warunki meteorologiczne; las losowy; regresja liniowa

• Wydawca: Institute of Environmental Engineering, Polish Academy of Sciences
• Czasopismo: Archives of Environmental Protection
• Rocznik: 2020
• Tom: Vol. 46, no. 1
• Strony: 93--99
• Opis fizyczny: Bibliogr. 22 poz., rys., tab., wykr.

Twórcy

autor

Kamińska Joanna Amelia

• Wrocław University of Environmental and Life Sciences

autor

Turek Tomasz

• Wrocław University of Environmental and Life Sciences

Bibliografia

• 1. Aldrin, M. & Haff, I.H. (2005). Generalized additive modelling of air pollution, traffic volume and meteorology. Atmospheric Environment, 39, 11, pp. 2145-2155, DOI:10.1016/j.atmosenv.2004.12.020.
• 2. Altenstedt, A. (1997). Modelling of the high to low NOx transition using the IVL model - a contribution to the EUROTRACK sub-project LOOP. IVL Swedish Environmental Research Institute, Rapport B-1301, pp. 35
• 3. Archer, K.J. & Kimes, R.V. (2008). Empirical characterization of random forest variable importance measures. Computational Statistics & Data Analysis, 52(4), pp. 2249-2260, DOI:10.1016/j.csda.2007.08.015.
• 4. Battista, G. & de Lieto Vollaro, R. (2017). Correlation between air pollution and weather data in urban areas: Assessment of the city of Rome (Italy) as spatially and temporally independent regarding pollutants. Atmospheric Environment 165, pp. 240-247, DOI:10.1016/j.atmosenv.2017.06.050.
• 5. Breiman, L. (2001). Random Forests, Machine Learning, 45, 1, pp. 5-32, DOI:10.1023/A:1010933404324.
• 6. Czechowski, P., Badyda, A. & Majewski, G. (2013). Data mining system for air quality monitoring networks. Archives of Environmental Protection, vol. 39, 4, pp. 123-144.
• 7. Elangasinghe, M.A., Singhal, N., Dirks, K.N. & Salmond, J.A. (2014). Development of an ANN-based air pollution forecasting system with explicit knowledge through sensitivity analysis. Atmospheric Pollution Research, 5, 4, pp. 696-708, DOI: 10.5094/APR.2014.079.
• 8. Holnicki, P., Kałuszko, A., Nahorski, Z., Stankiewicz, K. & Trapp, W. (2017). Air quality modeling for Warsaw agglomeration, Archives of Environmental Protection, 43, 1, pp. 48-64. DOI: 10.1515/aep-2017-0005
• 9. Kamińska, J.A. (2019). A random forest partition model for predicting NO2 concentrations from traffic flow and meteorological conditions. Science of the Total Environment, 651, pp. 475-483, DOI: 10.1016/j.scitotenv.2018.09.196.
• 10. Kamińska, J.A. (2018a). The use of random forests in modelling short-term air pollution effects based on traffic and meteorological conditions: a case study in Wrocław, Journal of Environment Management, 217C, pp. 164-174, DOI: 10.1016/j.jenvman.2018.03.094.
• 11. Kamińska, J.A. (2018b). Residuals in the modelling of pollution concentration depending on meteorological conditions and traffic flow, employing decision trees. XLVIII Seminar of Applied Mathematics, ITM Web Conf. 23, 00016, DOI: 10.1051/itmconf/20182300016.
• 12. Kazak, J., Chalfen, M., Kamińska, J., Szewrański, S. & Świąder, M. (2018). Geo-Dynamic Decision Support System for Urban Traffic Management. In: Ivan I., Horák J., Inspektor T. (Eds.), Dynamics in GIscience. GIS OSTRAVA 2017. Lecture Notes in Geoinformation and Cartography. Springer, Cham, pp. 195-207, DOI: 10.1007/978-3-319-61297-3_14.
• 13. Laña, I., Del Ser, J., Pedró, A., Vélez, M. & Casanova-Mateo, C. (2016). The role of local urban traffic and meteorological conditions in air pollution: A data-based study in Madrid, Spain. Atmospheric Environment, 145, pp. 424-438, DOI: 10.1016/j.atmosenv.2016.09.052.
• 14. Larkin, A., Geddes, J.A., Martin, R.V., Xiao, Q., Liu, Y., Marshall, J.D., Brauer, M. & Hystad, P. (2017). Global Land Use Regression Model for Nitrogen Dioxide Air Pollution. Environmental Science & Technology, 51, pp. 6957-6964, DOI: 10.1021/acs.est.7b01148.
• 15. Nejadkoorki, F. & Baroutian, S. (2012). Forecasting extreme PM10 concentrations using artificial neural networks. International Journal of Environmental Research, 6, pp. 277-284, DOI: 10.22059/IJER.2011.493.
• 16. Ping, Shi J. & Harrison, R.M. (1997). Regression modelling of hourly NOx and NO2 concentration in urban air in London. Atmospheric Environment, 31, 24, pp. 4081-4094, DOI: 10.1016/S1352-2310(97)00282-3.
• 17. Sayegh. A., Tate, J.A. & Ropkins, K. (2016). Understanding how roadside concentrations of NOx are influenced by the background levels, traffic density, and meteorological conditions using Boosted Regression Trees. Atmospheric Environment 127, pp. 163-175, https://doi.org/10.1016/j.atmosenv.2015.12.024.
• 18. Singh, K.P., Gupta, S. & Rai, P. (2013). Identifying pollution sources and predicting urban air quality using ensemble learning methods. Atmospheric Environment, 80, pp. 426-437, DOI: 10.1016/j.atmosenv.2013.08.023.
• 19. Siwek, K. & Osowski S. (2016). Data mining methods for prediction of air pollution. International Journal of Applied Mathematics and Computer Science, 26, 2, pp. 467-478, DOI: 10.1515/amcs-2016-0033.
• 20. Szewrański, Sz., Świąder, M., Kazak, J.K., Tokarczyk‐Dorociak, K. & van Hoof, J. (2018). Socio‐Environmental Vulnerability Mapping for Environmental and Flood Resilience Assessment: The Case of Ageing and Poverty in the City of Wrocław, Poland. Society of Evironmental Toxicology and Chemistry, 14(5), pp. 592-597, DOI: 10.1002/ieam.4077.
• 21. Zhang, Z., Zhang, X., Gong, D., Quan, W., Zhao, X., Ma, Z. & Kim, S-J. (2015). Evolution of Surface O3 and PM2.5 concentrations and their relationships with meteorological conditions over the last decade in Beijing, Atmospheric Environment, 108, pp. 67-75, DOI: 10.1016/j.atmosenv.2015.02.071.
• 22. Zhu, Y., Zhan, Y., Wang, B., Li, Z., Qui, Y. & Zhang, K. (2019). Spatiotemporally mapping of the relationship between NO2 pollution and urbanization for a megacity in Southwest China during 2005-2016. Chemosphere, 220, pp. 155-162, DOI: 10.1016/j.chemosphere.2018.12.095.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).