Dergiler / Trakya University Journal of Natural Sciences / 2022 / Cilt: 23 - Sayı: 2

MODELLING THE PM2.5 CONCENTRATION WITH ARTIFICIAL INTELLIGENCE-BASED ENSEMBLE APPROACH

Sayfa
153–165
Yayın Tarihi
2022-11-06
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Support Vector Regresyon tabanlı Ensemble modeli (SVR-E), doğrulama aşamasında tekli modellerin performans doğruluğunu %17'ye kadar artırabilir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:İnce partikül madde (PM2.5) bir dizi olumsuz sağlık etkisi ile ilişkilendirilmiştir, bu nedenle epidemiyolojik çalışmalar için öngörüsü çok önemli hale gelmiştir.
📊
Temel Bulgular & Veri:Bu çalışmada, giriş parametresi olarak trafik gürültüsü kullanılarak trafik gürültüsü yüksek şehirlerde PM2.5 konsantrasyonunun tahmini için yeni bir topluluk tekniği önerilmiştir.
💡
Sonuç & Katkı:Support Vector Regresyon tabanlı Ensemble modeli (SVR-E), doğrulama aşamasında tekli modellerin performans doğruluğunu %17'ye kadar artırabilir.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Traffic noise · Sensitivity analysis · Ensemble modelling

Özet

İnce partikül madde (PM2.5) bir dizi olumsuz sağlık etkisi ile ilişkilendirilmiştir, bu nedenle epidemiyolojik çalışmalar için öngörüsü çok önemli hale gelmiştir. Bu çalışmada, giriş parametresi olarak trafik gürültüsü kullanılarak trafik gürültüsü yüksek şehirlerde PM2.5 konsantrasyonunun tahmini için yeni bir topluluk tekniği önerilmiştir. Çalışmanın yürütülmesi için Kuzey Kıbrıs'taki yedi örnekleme noktasından eş zamanlı olarak toplanan hava kirletici konsantrasyonu (P), meteorolojik parametreler (M) ve trafik verileri (T) kullanılmıştır. Modelleme 2 senaryoda yapılmıştır. Senaryo I'de PM2.5, trafik gürültüsü olmadan 4 farklı giriş kombinasyonu kullanılarak giriş parametresi olarak modellenirken, senaryo II'de trafik gürültüsü 4 giriş kombinasyonu için giriş değişkeni olarak eklenmiştir. Modeller, Nash-Sutcliffe Verimliliği (NSE), Ortalama Kare Hatası (RMSE), Korelasyon Katsayısı (CC) ve Bias (BIAS) olmak üzere 4 performans kriteri kullanılarak değerlendirildi. PM2.5'in ilgili P, M ve T girdi parametreleriyle modellenmesi, yalnızca bir parametre seti ile geliştirilen modelin performansını yalnızca P, M ve T içeren modeller için sırasıyla %12, 17 ve %29'a kadar iyileştirebilir. Senaryo II'deki tüm modeller, doğrulama aşamasında senaryo I'deki karşılık gelen modelden %12'ye kadar yüksek tahmin doğruluğu göstermiştir. Support Vector Regresyon tabanlı Ensemble modeli (SVR-E), doğrulama aşamasında tekli modellerin performans doğruluğunu %17'ye kadar artırabilir.

Abstract

Fine particulate matter (PM2.5) has been linked to a number of adverse health effects, hence its prediction for epidemiological studies has become very crucial. In this study, a novel ensemble technique was proposed for the prediction of PM2.5 concentration in cities with high traffic noise using traffic noise as an input parameter. Air pollutants concentration (P), meteorological parameters (M) and traffic data (T) simultaneously collected from seven sampling points in North Cyprus were used for conducting the study. The modelling was done in 2 scenarios. In scenario I, PM2.5 was modelled using 4 different input combination without traffic noise as input parameter while in scenario II, traffic noise was added as an input variable for 4 input combinations. The models were evaluated using 4 performance criteria including Nash-Sutcliffe Efficiency (NSE), Root Mean Square Error (RMSE), Correlation Coefficient (CC) and Bias (BIAS). Modelling PM2.5 with combined relevant input parameters of P, M and T could improve the performance of the model developed with only one set of the parameters by up to 12, 17 and 29% for models containing only P, M and T respectively. All the models in scenario II have demonstrated high prediction accuracy than the corresponding model in scenario I by up to 12% in the verification stage. The Support Vector Regression-based Ensemble model (SVR-E) could improve the performance accuracy of single models by up to 17% in the verification stage.

🔖

Bu Makaleye Atıf Yap

UMAR, İ. K., YAHYA, M. N. (2022). MODELLING THE PM2.5 CONCENTRATION WITH ARTIFICIAL INTELLIGENCE-BASED ENSEMBLE APPROACH. Trakya University Journal of Natural Sciences, Cilt: 23 - Sayı: 2, 153–165. https://ajindex.com/articles/654357

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Arhami, M., Kamali, N. & Rajabi, M.M. 2013. Predicting hourly air pollutant levels using artificial neural networks coupled with uncertainty analysis by Monte Carlo simulations. Environmental Science & Pollution Research, 207: 4777-4789
  2. Cai, M., Yin, Y. & Xie, M. 2009. Prediction of hourly air pollutant concentrations near urban arterials using artificial neural network approach. Transportation Research Part D: Transport & Environment, 141: 32-41
  3. Danciulescu, V. & Bucur, E. 2015. Correlations between noise level & pollutants concentration in order to assess the level of air pollution induced by heavy traffic pollutants concentration in order to assess the level of air pollution induced by heavy. Journal of Environmental Protection & Ecology, 163: 815-823
  4. Doǧan, E. & Akgüngör, A. P. 2013. Forecasting highway casualties under the effect of railway development policy in Turkey using artificial neural networks. Neural Computing & Applications, 225: 869-877
  5. Dong, G.-H., Zhang, P., Sun, B., Zhang, L., Chen, X., Ma, N., Yu, F., Guo, H., Huang, H., Lee, Y.L., Tang, N. & Chen, J. 2012. Long-Term Exposure to Ambient Air Pollution & Respiratory Disease Mortality in Shenyang, China: A 12-Year Population-Based Retrospective. Respiration, 84: 360-368
  6. Dunea, D., Pohoata, A. & Iordache, S. 2015. Using wavelet–feedforward neural networks to improve air pollution forecasting in urban environments. Environmental Monitoring & Assessment: 1877
  7. Elkiran, G., Nourani, V., Abba, S.I. & Abdullahi, J. 2018. Artificial intelligence-based approaches for multi-station modelling of dissolve oxygen in river. Global Journal of Environmental Science & Management, 44: 439-450
  8. European Environment Agency. 2012. Road Traffic’s Contribution to Air Quality in European Cities, ETC/ACM Technical Paper 2012/14
  9. European Environment Agency. 2014. EEA Report No 10/2014 - Noise in Europe 2014
  10. Gan, W.Q., McLean, K., Brauer, M., Chiarello, S.A. & Davies, H.W. 2012. Modeling population exposure to community noise & air pollution in a large metropolitan area. Environmental Research, 116: 11-16
  11. Ghaffari, A., Abdollahi, H., Khoshay, M., Bozchalooi, I., Dadgar, A. & Rafiee-Tehrani, M. 2006. Performance comparison of neural network training algorithms in modeling of bimodal drµg delivery. International Journal of Pharmaceutics, 327: 126-138
  12. Jahani, B. & Mohammadi, B. 2019. A comparison between the application of empirical & ANN methods for estimation of daily