Том 26, номер 12, статья № 11

Аннотация:

С использованием длинных рядов наблюдений, полученных на TOR-станции в Томском академгородке, разработана эмпирическая модель прогноза среднесуточной концентрации озона на основе многослойной нейронной сети. Проведено сравнение с моделями, основанными на множественной линейной регрессии и авторегрессии. Из всех методов нейросетевой подход оказался наиболее удачным. Он позволяет описать до 70% общей дисперсии среднего значения и до 50% дисперсии среднеквадратического отклонения. При этом величина среднеквадратической ошибки прогноза не превышает инструментальной погрешности измерений.

Ключевые слова:

атмосфера, озон, моделирование, прогноз

Список литературы:

1. Белан Б.Д. Озон в тропосфере. Томск: Изд-во ИОА СО РАН, 2010. 488 с.
2. Звягинцев А.М. Влияние озона на здоровье населения (обзор литературы по теме) // Труды Третьего международного совещания-семинара. М.: ГМЦ, 2013. URL: http://cao-rhms.ru/oom/meeting.html
3. Тарасова О.А. Наблюдения приземного озона в программе глобальной службы атмосферы // Труды Третьего международного совещания-семинара. М.: ГМЦ, 2013. URL: http://cao-rhms.ru/oom/meeting.html
4. Коновалов И.Б., Бикманн М., Кузнецова И.Н., Глазкова А.А., Васильева А.В., Зарипов Р.Б. Оценка влияния природных пожаров на загрязнение воздуха в регионе Московского мегаполиса на основе комбинированного использования химическо-транспортной модели и данных измерений // Изв. РАН. Физ. атмосф. и океана. 2011. Т. 47, № 4. С. 496–507.
5. Konovalov I.B., Beekmann M., Kuznetsova I.N., Zvya-gintsev A.M., Yurova A. Atmospheric impacts of the 2010 Russian wildfires: integrating modelling and measurements of an extreme air pollution episode in the Moscow region // Atmos. Chem. Phys. 2011. V. 11, N 19. P. 10031–10056.
6. Шалыгина И.Ю., Кузнецова И.Н., Нахаев М.И., Глазкова А.А., Захарова П.В., Звягинцев А.М. Характеристики и методы прогноза приземного озона в Московском регионе // Труды Третьего международного совещания-семинара. М.: ГМЦ, 2013. URL: http://cao-rhms.ru/oom/meeting.html
7. Звягинцев А.М., Беликов И.Б., Еланский Н.Ф., Какаджанова Г., Кузнецова И.Н., Тарасова О.А., Шалыгина И.Ю. Статистическое моделирование максимальных суточных концентраций приземного озона // Оптика атмосф. и океана. 2010. T. 23, № 2. C. 127–135.
8. Арефьев В.Н., Кашин Ф.В., Милехин Л.И., Милехин В.Л., Тереб Н.В., Упэнек Л.Б. Концентрация приземного озона в Обнинске в 2004–2010 гг. // Изв. РАН. Физ. атмосф. и океана. 2013. Т. 49, № 1. С. 74–84.
9. Yu Feng, Wenfang Zhang, Dezhi Sun, Liqiu Zhang. Ozone concentration forecast method based on genetic algorithm optimized back propagation neural networks and support vector machine data classification // Atmos. Environ. 2011. V. 45, N 11. P. 1979–1985. DOI: 10.1016/ j.atmosenv.2011.01.022.
10. Zhang Y., Bocquet M., Mallet V., Segneur C., Baklanov A. Real-time air quality forecasting, part I; History, techniques, and current status // Atmos. Environ. 2012. V. 60. P. 632–655.
11. Cobourn W.G. Accuracy and reliability of an automated air quality forecast system for ozone in seven Kentucky metropolitan areas //Atmos. Environ. 2007. V. 41, N 28. P. 5863–5875.
12. Sousa S.I.V., Martins F.G., Alvim-Ferraz M.C.M., Pereira M.C. Multiple linear regression and artificial neural networks based on principal components to predict ozone concentrations // Environ. Modelling & Software. 2007. V. 22, N 1. P. 97–103. DOI: 10.1016/ j.envsoft.2005.12.002.
13. Chattopadhyay G., Chattopadhyay S. Autoregressive forecast of monthly total ozone concentration: A neurocomputing approach // Comput. & Geosci. 2009. V. 35, iss. 9. P. 1925–1932.
14. Yeganeh B., Shafire Pour Motlagh M., Rashidi Y., Kamalan H. Prediction of CO concentrations on a hybrid Partial Least Square and Support Vector Machine model // Atmos. Environ. 2012. V. 55, N 1. P. 357–365. DOI: 10.1016//j.atmosenv.2012.02.092.
15. Fikret Inal Artificial Neural Network Prediction of Tropospheric Ozone Concentrations in Istanbul, Turkey // CLEAN – Soil, Air, Water. 2010. V. 38, iss. 10. P. 897–908. DOI: 10.1002/clen.201000138.
16. Nastos P.T., Moustris K.P., Larissi I.K., Paliatsos A.G. Rain intensity forecast using Artifical Neural Networks in Athens, Greece // Atmos. Res. 2013. V. 119. P. 153–160.   DOI:   10.1016/j.atmosres.   2011.07.020.
17. Shad R., Mesgari M.S., Abcar A., Shad A. Predicting air pollution using fuzzy generic linear membership kriging in GIS // Comput. Environ. Urban. 2009. V. 33, N 6. P. 472–481.
18. Аршинов М.Ю., Белан Б.Д., Давыдов Д.К., Ковалевский В.К., Плотников А.П., Покровский Е.В., Скляднева Т.К., Толмачев Г.Н. Автоматический пост для контроля качества воздуха // Метеорол. и гидрол. 1999. № 3. C. 110–118.
19. Антохин П.Н., Аршинов М.Ю., Белан Б.Д., Белан С.Б., Давыдов Д.К., Козлов А.В., Краснов О.А., Пестунов Д.А., Праслова О.В., Фофонов А.В., Inoue G., Machida T., Максютов Ш., Shimoyama K., Sutoh H. Применение самолета Ан-2 для исследования состава воздуха в пограничном слое атмосферы // Оптика атмосф. и океана. 2012. Т. 25, №8. С. 714–720.
20. Антохин П.Н., Аршинов М.Ю., Белан Б.Д., Скляднева Т.К., Толмачев Г.Н. Прогноз изменения концентрации озона и аэрозоля на основании предсказанного в 24-м цикле уровня солнечной активности // Оптика атмосф. и океана. 2012. Т. 25, № 9. С. 778–783.
21. Антохин П.Н., Белан Б.Д. Регулирование динамики тропосферного озона через стратосферу // Оптика атмосф. и океана. 2012. Т. 25, № 10. С. 890–895.
22. Антохин П.Н., Аршинова В.Г., Аршинов М.Ю., Белан Б.Д., Белан С.Б., Давыдов Д.К., Козлов А.В., Краснов О.А., Праслова О.В., Рассказчикова Т.М., Савкин Д.Е., Толмачев Г.Н., Фофонов А.В. Суточная динамика вертикального распределения озона в пограничном слое атмосферы в районе Томска // Оптика атмосф. и океана. 2013. Т. 26, № 8. С. 665–672.
23. Аршинов М.Ю., Белан Б.Д., Давыдов Д.К., Савкин Д.Е., Скляднева Т.К., Толмачев Г.Н., Фофонов А.В. Результаты многолетнего мониторинга озона в районе города Томска // Труды Второго международного совещания-семинара. М.: ИОФ РАН, 2013. С. 38–49.
24. Salazar-Ruiz E., Ordieres J.B., Vergara E.P., Capuz-Rizo S.F. Development and comparative analysis of tropospheric ozone prediction models using linear and artificial intelligence-based models in Mexicali, Baja California (Mexico) and Calexico, California (US) // Environ. Modelling & Software archive. 2008. V. 23, iss. 8. P. 1056–1069. DOI: 10.1016/j.envsoft. 2007.11.009.
25. Zounemat-Kermani M. Hourly predictive Levenberg–Marquardt ANN and multi linear regression models for predicting of dew point temperature // Meteorol. and Atmos. Phys. 2012. V. 117, iss. 3–4. P. 181–192. DOI: 10.1007/s00703-012-0192-x.