Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Archiwum Ochrony Środowiska

2 2005

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: zmienna wejściowa

Sortuj według:

Ogranicz wyniki do:

Using of artificial neural networks in predictions of SO2, NO and NO2 concentrations in Gliwice, Poland

Rogula W., Żeliński J.

Archiwum Ochrony Środowiska

2005

Vol. 31, no. 4

3--16

The paper presents application of measurements of pollutant concentrations and meteorological conditions to create neural networks able to predict the pollutant concentrations on the basis of meteorological conditions. The measured quantities comprised 30-min concentrations of SO2, NO, NO2, and meteorological parameters, such as direction and speed of wind, air temperature, solar radiation, air humidity, and Pasquill stability class of atmosphere. The data were developed with the use of the StatSoft's Statistica Neural Networks computer program. The Levenberg - Marquardt algorithm was used to train networks. About 600 networks were created, trained and tested for each of SO2, NO and NO2 to predict their concentrations in ambient air and from among them the best performing network was selected. The chosen networks were used to compute concentrations on the basis of meteorological parameters. The neural models were run subsequently for SO2, NO and NO2. Measured and computed concentrations of the pollutants were presented in charts, as well as errors made by networks while predicting.

W niniejszej pracy posłużono się wynikami pomiarów warunków meteorologicznych do wygenerowania sieci neuronowych prognozujących wartość stężenia na podstawie znajomości warunków meteorologicznych. Wyniki pomiarów obejmują: stężenia trzydziestominutowe: SO2, NO, NO2, parametry meteorologiczne: kierunek i prędkość wiatru, temperatura powietrza, natężenie promieniowania słonecznego, wilgotność powietrza i klasa stabilności atmosfery. Do analizy danych zastosowano program Statistica Neural Networks firmy StatSoft. Proces uczenia przeprowadzono stosując algorytm Levenberga - Marquardta. Dla celów prognozy zanieczyszczeń (SO2, NO2, NO) stworzono, wyuczono i przetestowano około 600 sieci dla każdej substancji i z nich wybrano trzy najlepsze. Wybrane sieci zostały wykorzystane do przewidywania wartości stężeń na podstawie parametrów meteorologicznych. Kolejno uruchamiano modele neuronowe dla: SO2, NO, NO2. Sporządzono, dla każdego zanieczyszczenia, wykresy przedstawiające przebiegi stężenia rzeczywistego i prognozowanego oraz wykresy błędu, jaki popełnia sieć podczas predykcji kolejnych stężeń.

Artificial neural networks in air pollution prediction - importance of input variables

Rogula W., Żeliński J.

Archiwum Ochrony Środowiska

2005

Vol. 31, no. 2

15--26

The essentiality of variables in Artificial Neural Networks (ANN) application in predicting concentrations of pollutants in the ambient air is considered in the paper. Evaluation of the essentiality was based on the data on concentrations of pollutants and meteorological conditions recorded by an automatic station monitoring the air quality in Gliwice. The data were analysed with the use of the StatSoft's Statistica Neural Networks (SNN) software, which is designed to simulate performance of artificial neural networks. In total, for all output variables (concentrations of SO2, NO, NO2, PM10), more than 3500 models were tested to create the final neural networks. The best performing models were used to determine the influence of each input variable on levels of pollutant concentrations. Based on these analyses the conclusions were drawn concerning the importance of individual meteorological parameters.

W prezentowanej pracy badano istotność doboru zmiennych wejściowych (mechanizmów i czynników meteorologicznych) w predykcji stężeń zanieczyszczeń powietrza za pomocą sztucznych sieci neuronowych. Posłużono się danymi pomiarowymi ze stacji monitoringu powietrza w Gliwicach. Do analizy danych zastosowano program Statistica Neural Networks firmy StatSoft. Podczas tworzenia sieci neuronowych, dla wszystkich zmiennych wyjściowych (stężeń kolejnych zanieczyszczeń), przetestowano ponad 3500 modeli neuronowych. Przy pomocy najlepszych modeli określono oddziaływanie danego parametru na poziom stężenia zanieczyszczenia (Analiza Wrażliwości Sieci). Na podstawie wykonanych analiz wyciągnięto wnioski, co do wagi konkretnych parametrów meteorologicznych.