Библиографическое описание:ПРОГНОЗИРОВАНИЕ ВЕЛИЧИНЫ КОНЦЕНТРАЦИИ ЗАГРЯЗНЯЮЩИХ ВЕЩЕСТВ В АТМОСФЕРЕ Г. КРАСНОЯРСКА С ПОМОЩЬЮ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ : доклад, тезисы доклада / О. С. Володько, Н. А. Лев, Д. В. Полянчикова. - [Б. м. : б. и.], 2024. - Текст : непосредственный // Региональные проблемы дистанционного зондирования Земли : Материалы XI Международной научной конференции / Региональные проблемы дистанционного зондирования Земли (2024 ; 10.09 - 13.09 ; Красноярск). - Красноярск, 2024. - С. 352-356. - ISBN 9785763850529.
Аннотация:В работе проводится прогнозирование величины концентрации твердых взвешенных частиц PM2.5 в атмосфере города Красноярска с помощью различных моделей машинного обучения: моделей временных рядов - ARIMA и ARIMAX, ансамблевых моделей - случайного леса и градиентного бустинга, регрессионных моделей. Из каждого класса моделей выбиралась модель, показавшая лучшее качество прогноза, затем лучшие модели из разных классов сравнивались между собой. Для обучения моделей использовались данные за пять лет с января 2019 г. по март 2024 г. по метеоусловиям и концентрациям PM2.5 с наземных станций оперативного мониторинга и модели реанализа NCEP GFS. В результате исследования было определено, что лучшее качество прогнозирования показывает модель ARIMAX, с добавленными метеопараметрами в качестве экзогенных переменных, и данная модель может быть рекомендована для прогнозирования уровня загрязнения воздуха твердыми взвешенными частицами с достаточным уровнем точности.
The paper presents the results of forecasting the concentration of particulate matter PM2.5 in the atmosphere of the city of Krasnoyarsk using various machine learning models: time series models are ARIMA and ARIMAX, ensemble models are random forest and gradient boosting, regression models. From each class of models, the model that showed the best forecast quality was selected, then the best models from different classes were compared with each other. To train the models, data for five years from January 2019 to March 2024 on meteorological conditions and PM2.5 concentrations from ground-based operational monitoring stations and the NCEP GFS reanalysis model were used. As a result of the study, it was determined that the ARIMAX model with added meteorological parameters as exogenous variables shows the best forecasting quality, and this model can be recommended for forecasting the level of air pollution by particulate matter with a sufficient level of accuracy.
