[논문 리뷰] URBAN OZONE CONCENTRATION FORECASTING WITH ARTIFICIAL NEURAL NETWORK IN CORSICA

Wani Tamas, Gilles Notton외 4명|arXiv (Cornell University)|2013. 06. 04.

Air Quality Monitoring and Forecasting참고 문헌 19인용 수 6

한 줄 요약

이 연구는 코르시카의 도시 지역에서 지역 오존, NO₂, 기상 및 시간 인덱스 데이터를 사용하여 24시간 전방 예측할 수 있는 다층 퍼셉트론(MLP) 인공 신경망을 개발한다. 모델은 일치 지수(IA) 0.88를 기록하여 지속성 모델을 뛰어넘으며, 복잡한 지중해 도시 환경에서 운영 가능한 대기질 예측의 강력한 잠재력을 보여준다.

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

연구 동기 및 목표

• 코르시카의 산악 지중해 섬로서 복잡한 기상 및 지형 조건을 지닌 도시 지역에 대해 데이터 기반의 단기 오존 예측 모델을 개발하는 것.
• 특히 다층 퍼셉트론(MLP)을 포함한 인공신경망(ANN) 기반의 24시간 전방 오존 농도 예측 성능을 평가하는 것.
• NO₂, 기상 변수 및 시간 인덱스와 같은 추가 입력 요소의 포함 여부가 모델 정확도 및 예측 능력에 미치는 영향을 평가하는 것.
• 신뢰할 수 있고 계산적으로 효율적인 예측을 통해 오염 피크를 조기에 탐지함으로써 운영 기반 대기질 관리에 기여하는 것.
• 향후 정밀도 향상을 위한 고급 데이터 전처리 및 입력 선택 기법(예: 유전 알고리즘 또는 AMI)을 적용한 시스템 개선의 기반을 마련하는 것.

제안 방법

• 코르시카의 모니터링 정류장에서 수집한 지면 오존, NO₂, 기상 및 시간 인덱스 데이터를 사용하여 다층 퍼셉트론(MLP) 신경망을 훈련시켰다.
• 모델은 일년치 데이터셋을 기반으로 훈련 및 테스트되었으며, 표준 오차 지표인 RMSE, nRMSE, MAE 및 일치 지수(IA)를 사용해 성능을 평가하였다.
• 여러 구성이 테스트되었으며, 입력 세트로는 오직 오존(O3)만, O3 + NO₂, O3 + 기상 변수(MET), 전체 세트(O3 + NO₂ + MET + 시간 인덱스, TI)가 포함되었다.
• 각 구성에 대해 7회의 독립적인 훈련을 수행하여 통계적 안정성을 확보하고 평균 성능 지표를 보고하였다.
• 신경망 아키텍처는 가중치 조정을 위해 역전파 알고리즘을 사용하였으며, 은닉층을 통해 입력과 오존 농도 예측 간의 비선형 맵핑을 가능케 하였다.
• 모델 성능은 이전 시간의 값을 다음 날 예측으로 사용하는 지속성 모델과 비교하여 평가되었다.

실험 결과

연구 질문

• RQ1 인공신경망이 코르시카 도시 환경에서 24시간 전방 지면 오존 농도를 효과적으로 예측할 수 있는가?
• RQ2 NO₂, 기상 변수 및 시간 인덱스를 포함함으로써 MLP 모델의 예측 정확도가 오직 오존 데이터만 사용할 경우에 비해 얼마나 향상되는가?
• RQ3 다른 도시 정류장에서 RMSE, nRMSE, MAE 및 IA 기준으로 MLP 모델과 지속성 모델 간의 상대적 성능은 어떠한가?
• RQ4 아자키오와 바스티아에서 성능이 다른 이유는 무엇이며, 해풍 및 육풍과 같은 국지적 기상 역학적 특성이 모델 정확도에 어떻게 영향을 미치는가?
• RQ5 유전 알고리즘 또는 AMI와 같은 고급 데이터 전처리, 정상성 기법 및 입력 선택 방법을 통해 예측 시스템은 어떻게 향상시킬 수 있는가?

주요 결과

• 전체 입력(O3 + NO₂ + MET + TI)을 사용한 MLP 모델은 일치 지수(IA) 0.88를 기록하여 24시간 오존 예측에 강력한 예측 정확도를 보였다.
• 가장 뛰어난 성능을 보인 모델(전체 입력)은 지속성 모델 대비 nRMSE를 5% 이상 감소시켰으며, 몬테소로 정류장에서 최저 nRMSE 20.69%를 기록했다.
• 기상 변수 포함으로 모델 성능 향상이 이루어졌으며, 특히 근교 정거장(예: 스포사타)에서 기상 영향이 더 크게 작용함을 시사하며, 이 곳에서 RMSE가 0.45 µg·m⁻³ 감소했다.
• 모든 정류장에서 지속성 모델을 초월한 성능을 보였으며, 몬테소로 정류장에서 RMSE 향상이 가장 두드러졌다(1.61 µg·m⁻³ 감소).
• 비록 IA 값이 유사했지만 신경망은 지속성 모델보다 항상 낮은 RMSE를 기록하여 더 높은 정밀도를 보였다.
• 아자키오와 바스티아 간의 성능 차이는 아마도 육상 및 해양 바람 상호작용에 기인한 고유한 야간 오존 역학적 특성 때문이며, 이는 아자키오에서 예측을 더 복잡하게 만들었다.