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).