[論文レビュー] URBAN OZONE CONCENTRATION FORECASTING WITH ARTIFICIAL NEURAL NETWORK IN CORSICA

Wani Tamas, Gilles Notton+4 more|arXiv (Cornell University)|Jun 4, 2013

Air Quality Monitoring and Forecasting参考文献 19被引用数 6

ひとこと要約

本研究では、コルシカ島の都市部における地上オゾン濃度を24時間先まで予測するため、マルチレイヤーパーセプトロン（MLP）の人工ニューラルネットワークを開発した。地域のオゾン、NO2、気象、時刻インデックスのデータを用いた。モデルは一致係数（IA）0.88を達成し、恒常性モデルを著しく上回り、地中海の複雑な都市環境における運用型大気質予測の強力な可能性を示した。

ABSTRACT

Abstract: Atmospheric pollutants concentration forecasting is an important issue in air quality monitoring. Qualitair Corse, the organization responsible for monitoring air quality in Corsica (France), needs to develop a short-term prediction model to lead its mission of information towards the public. Various deterministic models exist for local forecasting, but need important computing resources, a good knowledge of atmospheric processes and can be inaccurate because of local climatical or geographical particularities, as observed in Corsica, a mountainous island located in the Mediterranean Sea. As a result, we focus in this study on statistical models, and particularly Artificial Neural Networks (ANNs) that have shown good results in the prediction of ozone concentration one hour ahead with data measured locally. The purpose of this study is to build a predictor realizing predictions of ozone 24 hours ahead in Corsica in order to be able to anticipate pollution peaks formation and to take appropriate preventive measures. Specific meteorological conditions are known to lead to particular pollution event in Corsica (e.g. Saharan dust events). Therefore, an ANN model will be used with pollutant and meteorological data for operational forecasting. Index of agreement of this

研究の動機と目的

• コルシカ島の山岳的で気象的・地理的に複雑な条件を有する地中海都市部における、データ駆動型の短期オゾン予測モデルを開発すること。
• 特にマルチレイヤーパーセプトロン（MLP）を含む人工ニューラルネットワーク（ANN）が、地域監視データを用いて24時間先のオゾン濃度を予測する能力を評価すること。
• NO2、気象変数、時刻インデックスといった追加入力を組み込むことで、モデルの精度と予測能力がどのように向上するかを評価すること。
• 信頼性の高い、計算的に効率的な予測を可能にすることで、汚染ピークの早期検出を支援し、運用型大気質管理を支援すること。
• 高度なデータ前処理および入力選択技術（例：遺伝的アルゴリズムやAMI）を用いた、今後の精度向上の基盤を築くこと。

提案手法

• コルシカ島の監視局から収集した地上オゾン、NO2、気象、時刻インデックスデータを用いて、マルチレイヤーパーセプトロン（MLP）ニューラルネットワークを学習させた。
• モデルは1年間分のデータを用いて学習およびテストされ、標準誤差指標（RMSE、nRMSE、MAE、一致係数（IA））を用いて評価された。
• 複数の構成がテストされた：入力セットには、オゾン（O3）のみ、O3 + NO2、O3 + 気象変数（MET）、および全セット（O3 + NO2 + MET + 時刻インデックス（TI））が含まれる。
• 各構成について7回の独立した学習を実施し、統計的安定性を確保するとともに、平均的な性能指標を報告した。
• ネットワーク構造は、重みの調整にバックプロパゲーションを使用し、隠れ層を介して入力とオゾン濃度予測との間の非線形マッピングを可能にした。
• モデルの性能は、直前の時間の値を次日の予測として使用する恒常性モデルと比較された。

実験結果

リサーチクエスチョン

• RQ1 人工ニューラルネットワークは、コルシカ島の都市部において、24時間先の地上オゾン濃度を効果的に予測できるか？
• RQ2 NO2、気象変数、時刻インデックスの追加が、オゾンデータのみを用いた場合と比較して、MLPモデルの予測精度をどのように向上させるか？
• RQ3 RMSE、nRMSE、MAE、IAの観点から、コルシカ島の異なる都市部の監視局において、MLPモデルと恒常性モデルの相対的性能はいかほどか？
• RQ4 アジャクシオとバスティアでモデルの性能に差が生じる理由は何か？また、海風・陸風の影響を受ける局所的気象ダイナミクスが、モデルの精度にどのように影響するか？
• RQ5 高度なデータ前処理、定常性技術、および遺伝的アルゴリズムやAMIのような入力選択手法を用いることで、予測システムにどのような改善が図れるか？

主な発見

• 全入力（O3 + NO2 + MET + TI）を用いたMLPモデルは、一致係数（IA）0.88を達成し、24時間先のオゾン予測において高い予測精度を示した。
• 最も優れた性能を示したモデル（全入力）は、恒常性モデルと比較してnRMSEを5%以上低減し、モンテソロ監視局で最低のnRMSE（20.69%）を記録した。
• 気象変数の組み込みによりモデル性能が向上し、特に準都市部の監視局（例：スポサータで0.45 µg·m⁻³のRMSE低減）では、天候依存性が顕著に現れた。
• すべての監視局において、恒常性モデルを上回る性能を示した。特にモンテソロ監視局でRMSEの改善が顕著（1.61 µg·m⁻³の低減）。
• IA値が類似しているにもかかわらず、ニューラルネットワークは恒常性モデルよりも常に低いRMSEを達成しており、予測の精度が優れていることを示している。
• アジャクシオとバスティアでの性能差は、異なる夜間オゾンダイナミクス（主に陸風・海風の相互作用によるものと推定）に起因し、アジャクシオでは予測がより複雑であった。