Statistické modely šíření PMx částic

Abstract

Hlavnou témou tejto práce je znečistenie ovzdušia, metódy jeho merania a štatistické modely, ktoré môžu byť použité pri jeho predpovedaní. Prvá kapitola je venovaná identifikácii kľúčových znečisťujúcich látok a ich vplyvov na životné prostredie a ľudské zdravie. Ďalej uvádzame všeobecný index kvality ovzdušia, ktorý sa používa na indikovanie miery znečistenia. V druhej kapitole sú načrtnuté rôzne metódy merania koncentrácie jednotlivých znečisťujúcich látok pomocou bežne dostupných senzorov ako aj s použím profesionálnych meracích staníc. Nasledujúca kapitola opisuje štatistické metódy analýzy a predpovede jednorozmerných časových radov pomocou klasickej dekompozície ako aj s využitím Boxovho-Jenkinsovho prístupu. Navyše sa venujeme metódam strojového učenia (neurálne siete a rozhodovacie stromy), ktoré môžu byť použité na modelovania časového radu. Tieto metódy následne používame v štvrtej kapitole na predpovedanie koncentrácie PM$_{10}$ v krátkom horizonte, na základe dát zozbieraných z meracích staníc v Prahe. Ďalej vyhodnocujeme presnosť týchto predpovedí a prezentujeme prístupy, ktoré si pri predpovediach viedli najlepšie. Výsledné modely môžu byť použité pri vývoji služby, ktorá by varovala obyvateľstvo miest pred potenciálne nebezpečnými stavmi ovzdušia.

The main focus of this thesis is air pollution, methods of its measuring and statistical models, which can be used to forecast it. The first chapter is dedicated to the identification of the key pollutants and their effects on the environment and human health. Further, we present the common air quality index, which is used to indicate the level of pollution. In the second chapter, we outline different methods of measuring the concentration of individual pollutants via low-cost sensors as well as in professional measuring stations. The next chapter describes statistical methods of analysing and forecasting univariate time series via classical decomposition and the Box-Jenkins method. Additionally, we present machine learning methods (neural networks and decision trees), which can be used for modelling of the time series. These methods are then applied in the fourth chapter to predict the concentration of PM$_{10}$ for a short horizon based on data collected from measuring stations in Prague. Next, we evaluate the accuracy of the predictions and present the best performing approach. The resulting models can be used in the development of the service, that would warn residents of cities about potentially dangerous air conditions.