1 |
Χρήση νευρωνικών δικτύων για την πρόγνωση συγκέντρωσης τροποσφαιρικού όζοντος σε αστικό περιβάλλονΛυμπεροπούλου, Κυριακή 08 December 2008 (has links)
Η παρούσα διπλωματική εργασία πραγματεύεται την χρήση τεχνητών νευρωνικών δικτύων για την δημιουργία ενός αξιόπιστου μοντέλου πρόβλεψης της μέγιστης ημερήσιας συγκέντρωσης του τροποσφαιρικού όζοντος σε αστικό περιβάλλον.
Η ανάλυση και η πρόβλεψη των επιπέδων της ατμοσφαιρικής ρύπανσης, είναι σημαντικά θέματα της ατμοσφαιρικής και περιβαλλοντικής έρευνας, λόγω του αντίκτυπου που έχει η ατμοσφαιρική ρύπανση στην υγεία και την ποιότητα ζωής του ανθρώπου. Ένας από τους πιο σημαντικούς ρύπους είναι το τροποσφαιρικό όζον (O3), και ειδικότερα το όζον του κατώτερου οριακού στρώματος της ατμόσφαιρας (επιφανειακό ή surface ozone). Επομένως, η πρόβλεψη της μέγιστης συγκέντρωσης όζοντος στις πυκνοκατοικημένες αστικές περιοχές, είναι μεγάλης σπουδαιότητας για τον έλεγχο και τη βελτίωση της ποιότητας της ατμόσφαιρας.
Μέχρι σήμερα, αν και διάφορα μοντέλα πρόβλεψης όζοντος έχουν ερευνηθεί, υπάρχει ακόμα η ανάγκη για ακριβέστερα μοντέλα, έτσι ώστε να αναπτυχθούν αποτελεσματικές στρατηγικές πρόληψης και ελέγχου σε περιπτώσεις που οι οριακές τιμές όζοντος ξεπερνιούνται πέρα από κάποιο συγκεκριμένο χρονικό διάστημα (επεισόδιο ρύπανσης).
Χρησιμοποιήθηκαν χρονοσειρές συγκέντρωσης όζοντος και άλλων ρύπων που οδηγούν στην δημιουργία του, από το σταθμό της “Λυκόβρυσης” και του “Αμαρουσίου”, καθώς και μετεωρολογικά δεδομένα που σχετίζονται με την δημιουργία, καταστροφή και διασπορά ή διάχυση του όζοντος.
Κατά τη βελτιστοποίηση του νευρωνικού δικτύου, δόθηκε έμφαση στην κατά το δυνατόν ακριβέστερη πρόγνωση των αυξημένων τιμών της συγκέντρωσης Ο3 (επεισόδια ρύπανσης για [Ο3] >=180 μg/m3), για τις οποίες απαιτείται η λήψη εκτάκτων μέτρων.
Τα Τεχνητά Νευρωνικά Δίκτυα, όπως αποδείχθηκε, αποτελούν μια πολύ καλή εναλλακτική λύση ως προς τις παραδοσιακές στατιστικές τεχνικές, καθώς για την εκπαίδευσή τους χρησιμοποιούνται διαθέσιμα στοιχεία προηγούμενων μετρήσεων αλλά και λόγω της ικανότητάς τους να χειρίζονται δεδομένα με μη γραμμικές σχέσεις μεταξύ τους.
Αρχικά δοκιμάστηκαν διαφορετικές αρχιτεκτονικές νευρωνικών δικτύων επιτρέπουν την κατηγοριοποίηση των πρότυπων δεδομένων εισόδου, όπως οι χάρτες Kohonen, τα δίκτυα επιβλεπόμενης κατηγοριοποίησης LVQ και τα στοχαστικά RBF δίκτυα με σκοπό το μοίρασμα των δεδομένων εισόδου σε κατηγορίες σύμφωνα με τα επίπεδα όζοντος. Στη συνέχεια ελέγχθηκε η δυνατότητα πρόβλεψης με την χρήση πολυστρωματικών αντιληπτήρων πρόσθιας τροφοδότησης (Multilayer Feed-Forward) και εποπτευόμενης μάθησης μέσω διόρθωσης σφάλματος με ανατροφοδότηση (Back Propagation), γνωστά ως ΜultiLayer Perceptrons ή MLPs που έδωσαν και τα καλύτερα αποτελέσματα.
Η απόδοση ενός μοντέλου πρόβλεψης της συγκέντρωσης του όζοντος της χαμηλής τροπόσφαιρας μπορεί να κριθεί από το ποσοστό των επεισοδίων που θα προβλεφθούν σωστά από το μοντέλο, σε αντιδιαστολή με το ποσοστό των ψεύτικων-λανθασμένων συναγερμών (δηλ. προβλέψεις επεισοδίων ρύπανσης που δεν συνέβησαν στην πραγματικότητα).
Ο δείκτης απόδοσης SI, είναι ο δείκτης υψηλότερης σπουδαιότητας καθώς αντιπροσωπεύσει την απόδοση στην πρόβλεψη των επεισοδίων αλλά και στην γενικότερη συμφωνία μεταξύ των προβλεφθέντων και παρατηρηθέντων δεδομένων.
Στο σταθμό της “Λυκόβρυσης” ο δείκτης απόδοσης SI κυμάνθηκε από 0,943 έως 0,831 και ο λόγος των ψεύτικων συναγερμών FA από 0 έως 0,014 ενώ στο σταθμό του “Αμαρουσίου” ο δείκτης απόδοσης SI κυμάνθηκε από 0,777 έως 0,68 και ο λόγος των ψεύτικων συναγερμών FA από 0,211 έως 0,234. / This study deals with the use of artificial neural networks for ground-level ozone modeling in the Athens area. Forecasting next day’s maximum hourly ozone concentration is an important topic of air quality research nowadays.
The continuing worldwide environmental problem suggests the need for more accurate forecasting models. Development of such models is a difficult task as the meteorological variables and the photochemical reactions involved in ozone formation are complex.
Meteorological variables and concentrations of ozone and ozone precursors, from two monitoring stations “Lykovrisi” and “Marousi”, are used as inputs in order to obtain the best estimate of the next day’s maximum hourly ozone concentration.
The violation of the European public information threshold (ozone episode), defined by control authorities, of 180 μg/m3 is successfully predicted in most cases. Neural networks seem to be very well situated since they allow for nonlinear relations among input variables. Several architectures of Neural Networks were tested but Multi-Layer Perceptrons (MLPs) came up with the best results.
At “Lykovrisi” monitoring station the Success Index (SI) that is able to represent performance in forecasting exceedances as well as the overall goodness between predicted and measured data, varied from 0.943 to 0.831 and the fraction of False Alarms (FA) that represents predicted episodes that didn’t happen to the overall number of predicted episodes, varied from 0 to 0.014. At “Marousi” monitoring station the SI varied from 0.777 to 0.68 and the fraction of False Alarms (FA) from 0.211 to 0.234.
|
Page generated in 0.0837 seconds