人工神经网络的性能,用于从气象数据中建模每日颗粒物度
Bianca Dutra de Lima1, Rita de Cássia Marques Alves2, Guilherme Garcia de Oliveira2
1State Center for Research in Remote Sensing and Meteorology, Universidade Federal Do Rio Grande Do Sul, Porto Alegre, Rio Grande Do Sul, 90501970, Brazil. bianca_duli@hotmail.com.
Environmental monitoring and assessment
|October 12, 2023
概括
人工神经网络 (ANN) 使用巴西瓜伊巴的气象数据有效模拟了PM10污染水平. 该模型显示了操作空气质量监测和控制的潜力.
科学领域:
- 环境科学 环境科学
- 大气科学 大气科学
- 数据科学数据科学数据科学
背景情况:
- 人工智能和机器学习在环境科学中越来越重要,用于过程模拟.
- 空气污染,特别是颗粒物 (PM10),是一个重要的环境问题,需要精确的监测.
研究的目的:
- 评估人工神经网络 (ANN) 模型在模拟PM10水平方面的效率.
- 为了估计气象数据对巴西瓜伊巴当地空气污染的影响.
主要方法:
- 使用多层感知器人工神经网络 (ANN),经过反向传播算法和交叉验证的训练.
- 采用了来自瓜伊巴两个监测站的2018-2019年的气象和PM10数据.
主要成果:
- 该ANN模型实现了令人满意的模拟性能,纳什-萨特克利夫指数 (NSE) 为0.64,线性相关系数 (R) 为0.81.
- 该模型显示相对误差 (Er) 为26%,根平均平方误差 (RMSE) 为7.40μg/m3.
- 该模拟适用于PM10度在10微克/立方米至50微克/立方米之间,但在估计极端值时存在一些限制.
结论:
- 该ANN模型是评估空气质量的有用工具,特别是观察范围内的PM10水平.
- 该模型有可能在巴西和全球的空气质量监测和控制中运行应用.
相关概念视频
Mechanistic Models: Compartment Models in Individual and Population Analysis
59
Mechanistic models are utilized in individual analysis using single-source data, but imperfections arise due to data collection errors, preventing perfect prediction of observed data. The mathematical equation involves known values (Xi), observed concentrations (Ci), measurement errors (εi), model parameters (ϕj), and the related function (ƒi) for i number of values. Different least-squares metrics quantify differences between predicted and observed values. The ordinary least...
59
What is Weather?
18.3K
Overview
18.3K


