Ключевой проблемой, связанной с загрязнением воздуха твёрдыми частицами, является разработка системы раннего предупреждения, которая может прогнозировать локальные уровни PM_2,5 и эпизоды чрезмерной концентрации PM_2,5 с использованием вертикальных метеорологических факторов. Алгоритмы машинного обучения, особенно с задачами распознавания, демонстрируют большой потенциал для этой цели. Цель данного исследования состояла в том, чтобы сравнить производительность множественной линейной регрессии и многослойного персептрона (математической или компьютерной модели восприятия информации) в прогнозировании уровней PM_2,5. Программное обеспечение было обучено прогнозировать уровни PM_2,5 на срок до семи дней с использованием данных долгосрочных измерений вертикальных метеорологических факторов, проведённых на пяти высотах над уровнем земли — 10, 30, 50, 75 и 110 м, и концентрации PM_2,5, измеренной на высоте 30 м над уровнем моря. Используемые данные были собраны в период с 2015 по 2020 гг. на станции наблюдения за микроклиматом и загрязнителями воздуха в Университете Касетсарт, Бангкок, Таиланд. Результаты показали, что коэффициенты корреляции PM_2,5, прогнозируемые и наблюдаемые с использованием множественной линейной регрессии и многослойного персептрона, находились в диапазоне 0,69–0,86 и 0,64–0,82, соответственно, на один–три дня вперёд. Обе модели продемонстрировали удовлетворительное совпадение с измеренными данными, а множественная линейная регрессия показала лучшие результаты, чем многослойный персептрон, при прогнозировании PM_2,5. В заключение, это исследование демонстрирует, что предлагаемый подход может использоваться в качестве компонента системы раннего предупреждения в городах, способствуя устойчивому управлению качеством воздуха в городских районах.

 

Ссылка: https://www.mdpi.com/2073-4433/14/3/589