Wykorzystanie elementów uczenia maszynowego do modelowania stężenia zanieczyszczeń atmosferycznych: studium przypadku pyłu pm2.5 w Szczecinie

W pracy przedstawiono możliwość modelowania stężeń zanieczyszczeń w lokalizacji o określonym, stałym profilu emisji przy wykorzystaniu modeli uczenia maszynowego. Jako zanieczyszczenie wybrano pył PM2.5,a jako zmienne objaśniające przyjęto parametry metrologiczne mierzone na stacji synoptycznej. Przeprowadzono uczenie i walidację sześciu różnych modeli na podstawie obserwacji meteorologicznych zarejestrowanych w latach 2013–2018 na stacji IMGW-PIB w Szczecinie (Polska) oraz średniodobowych stężeń pyłu PM2.5 z tego samego okresu zmierzonych na stacji GIOŚ w Szczecinie przy ul. Andrzejewskiego, podzielonych na trzy równoliczne klasy stężeń. Dwa modele, które dawały najdokładniejsze wyniki, zostały szczegółowo przedstawione. Czułość tych modeli, w zależności od klasy stężenia pyłu, zawierała się pomiędzy 0,484 a 0,711. Te dwa modele zostały zastosowane do identyfikacji wzrostu średniodobowych stężeń w trakcie zdarzenia nietypowego – pożaru składowisk odpadów. Stężenia przewidziane w dniach, w których trwał pożar, były zaniżone względem faktycznych stężeń, co pozwala na zastosowanie modeli w identyfikacji zjawisk atypowych, które mają wpływ na stężenia zanieczyszczeń w danym miejscu.

The work presents the possibilities of using machine learning in modeling pollutant concentra tions at locations with defined constant sources of emission. The PM2.5 was chosen as the pollutant to be studied with meteorological variables as exogenous variables measured at a weather station. Six different models were implemented and cross-validated on meteorological data recorded in 2013-2018 at the Institute of Meteorology and Water Management station in Szczecin, Poland, and PM2.5 concentrations from the same period divided into three classes, measured at the air quality station of the Chief Inspectorate of Environmental Protection (Poland) located at Andrzejewskiego Street in Szczecin. Two best-performing models were described in detail. The sensitivity of the models was found to vary from 0.484 to 0.711 depending on the class of PM2.5 concentration. Those two models were then applied to identify increases in PM concentrations that were caused by an extraordinary incident – landfill fire. It was proven that the predicted values of concentration that occur during the fire were underestimated as compared to actual concentration levels and hence such models can be applied in the identification of abnormal phenomena that may affect the concentrations of pollutants in a given location.