Diana Domańska Uniwersytet Śląski ddomanska@poczta
Transkrypt
Diana Domańska Uniwersytet Śląski ddomanska@poczta
Diana Domańska Uniwersytet Śląski [email protected] Prognozowanie eksploracyjne danych wielowymiarowych Ochrona środowiska zarówno przyrodniczego jak i ludzkiego oraz informowanie ludności o potencjalnych zagrożeniach (zdrowia, życia) jest jednym z głównych priorytetów współczesnych czasów. Jednym z elementów tego środowiska jest powietrze. Problematyka zmian klimatu stanowi jeden z kluczowych problemów środowiskowych, społecznych i gospodarczych, a w skutkach i politycznych. Zagadnienie wpływu warunków klimatycznych na życie gospodarcze krajów jest już powszechnie dostrzegane i poświęca się im bardzo dużo uwagi tak w skali światowej jak i przez rządy poszczególnych państw. Ze względu na wagę problemu, konieczne stało się opracowanie strategii minimalizującej potencjalne negatywne skutki, jakie mogą spowodować zanieczyszczenia powietrza w skali regionalnej jak i lokalnej. Zdrowie człowieka jest jednym z krótkoterminowych skutków zanieczyszczenia powietrza, głównie w metropoliach [4]. Konsekwencje związane z zanieczyszczeniem powietrza doprowadziły do zwiększenia świadomości społeczeństwa o konieczności dbania o jakość powietrza w krajach zarówno rozwijających się, jak i rozwiniętych. Dzięki wpływom ekologów, organizacji pozarządowych i społeczeństwa rządy podjęły działania regulacyjne jakość powietrza w wielu krajach. W wielu krajach używane są metody prognozowania zanieczyszczeń opierające się na samoorganizujących się sieciach neuronowych [3], [6]. W pracy [2] przedstawiona jest metodologia prognozowania przy użyciu sieci neuronowych, algorytmu genetycznego oraz model regresji liniowej. Metody prognozowania stężeń zanieczyszczeń, w których użyto sztucznych sieci neuronowych i maszyny wektorów podpierających zostały przedstawione w [5]. W Polsce brak jest jeszcze powszechnie przyjętych sposobów prognozowania stężeń zanieczyszczeń. Aktualne programy prowadzone w Wojewódzkim Inspektoracie Ochrony Środowiska oraz w Instytucie Meteorologii i Gospodarki Wodnej zapewniły w dziedzinie ochrony i badania jakości powietrza używanie profesjonalnych narzędzi. Prowadzone przeze mnie badania dotyczą tworzenia metod do prognozowania eksploracyjnego danych wielowymiarowych na przykładzie stężeń zanieczyszczeń [1]. Modelowanie zjawiska podzielone jest na kilka etapów. W pierwszym etapie następuję zebranie danych z różnych źródeł oraz ich przetworzenie. Zbieranymi danymi są: prognozy pogody (z przeszłości, teraźniejszości i przyszłości), sytuacje meteorologiczne (z przeszłości) oraz stężenia zanieczyszczeń (z przeszłości). Kolejne etapy dotyczą m.in. zdefiniowana pojęć podobnych prognoz pogody i sytuacji meteorologicznych, podobnych sytuacji meteorologicznych i stężeń zanieczyszczeń, utworzenia algorytmów do zamiany ciągów liczbowych na liczby rozmyte oraz ich implementacji. W ostatnim etapie następuje symulacja prognoz, ich użycie, monitorowanie i w ostatecznym kroku ich sprawdzenie. Modelowanie i symulowanie prognoz stężeń zanieczyszczeń pomaga również w zarządzaniu i monitorowaniu środowiska pod względem poprawy bezpieczeństwa i standardu życia mieszkańców. Prognoza zanieczyszczeń modelowana jest w województwie śląskim i wspiera tam tzw. działania krótkoterminowe w zakresie rozprzestrzeniania się zanieczyszczeń. [1] Domańska, D., Wojtylak, M. (2012) Application of fuzzy time series models for forecasting pollution concentrations. Expert Systems with Applications , vol. 39, Issue 9, pp. 7673-7679 [2] Grivas, G., Chaloulakou, A. (2006). Artificial neural network models for predictions of PM10 hourly concentrations in greater area of Athens. Atmospheric Environ., 40 (7), 12161229. [3] Hooyberghs, J., Mensink, C., Dumont, G., Fierens, F., Brasseur, O. (2005). A neural network forecast for daily average PM10 concentrations in Belgium. Atmospheric Environ., 39 (18), 3279-3289. [4] Kunzli, N., Kaiser, R., Medina, S., Studnicka, M., Chanel, O., Filliger, P., et al. (2000). Public-health impact of outdoor and traffic-related air pollution: A European assessment. The Lancet, 356(2932), 795–801. [5] Perez, P., Trier, A., Reyes, J. (2000). Prediction of PM2.5 concentrations several hours in advance using neural networks in Santiago, Chile. Atmospheric Environ., 34 (8), 1189-1196. [6] Siwek, K., Osowski, S. (2008). Ensemble of neural predictors for forecasting the meteorological pollution. In IEEE Int. Joint Conf. on Neural Networks, 2008. IJCNN 2008 (pp. 643-648).