Аннотация:Актуальность работы: Одной из приоритетных экологических проблем современности является загрязнение атмосферы. По данным Европейского агентства по окружающей среде, главными компонентами, загрязняющими воздух, являются аэрозоль, имеющий антропогенное происхождение, и приземный озон. К тому же приземный озон имеет главную роль в химических и фотохимических процессах в тропосфере, определяя ее окислительную способность, и является одним из основных парниковых газов, после водяного пара и углекислого газа.
В связи с тем, что высокие концентрации приземного озона могут оказывать негативные эффекты на здоровье человека и окружающую среду, необходимо отслеживать время, когда это происходит, и уровень таких концентраций.
Целью работы является разработка нейросетевой модели для прогнозирования концентрации тропосферного в зависимости от параметров окружающей среды, таких как: температура, влажность, давление, скорость и направление ветра, полученных со станции фонового мониторинга СФЭМ ФГБУН «КНС - ПЗ РАН».
Объекты исследования: прогностическая способность нейросетевой модели в задачи прогнозирования концентрации тропосферного озона по полученным со станции данным.
Методы исследования: построение различных нейросетевых моделей и оценка их прогностической способности
Аннотация:
Третьей целью ООН в области устойчивого развития является хорошее здоровье и благополучие каждого, однако, без контроля за опасными загрязнителями эта цель будет невыполнима. Для контроля за концентрацией различных веществ используют станции мониторинга, а на основе данных, полученных от них, можно строить долговременные прогнозы.
В данной работе строиться прогноз концентрации приземного озона с помощью искусственных нейронных сетей на основе данных, полученных со станции фонового мониторинга СФЭМ ФГБУН «КНС - ПЗ РАН».
В работе созданы девять нейронных сетей, выбрана лучшая конфигурация и построены графики прогнозирования.
Выводы:
1. Нейронные сети хорошо показывают себя в прогнозировании приземного озона
2. В работе были использованы различные типы архитектур и выяснено, что усложнение архитектуры сети не всегда связано с уменьшением погрешности
3. Лучший результат показала сеть - Fast Forward Backprop, это многослойный персептрон с IOA – 0,87, у исследователей из США лучший результат – 0,89
4. Всё обучение проводилось одним и тем же методом обучения, методом обратного распространения ошибки, в основе которого лежит метод градиентного спуска, то есть обучение нейросети - минимизация значения ошибки в зависимости от весов нейронов сети.
5. Обнаружено падение прогностической способности нейросетевой модели во время шестого месяца (июнь), что может свидетельствовать о значительных действиях в этот период неучтенных факторов
6. Так же была проверена гипотеза о том, что исключение параметров ветра ведет к уменьшению погрешности, однако, она не подтвердилась
Публикации:
1. Makarova A.S., Pysina M.O. Modelling tropospheric ozone concentration using neural networks // CHISA – 2020, режим доступа: http://secure.confis.cz/chisa2020/UserPages/ContribListProgramPre.aspx (Дата обращения 12.05.2020)
2. Образование и наука для устойчивого развития.XII научно-практическая конференция: материалы конференции: в 2 ч. – М.: РХТУ имени Д. И. Менделеева, 2020, стр. 78-86