Autor Filip Pavlove Vedúci Mgr. Pavel Petrovič, PhD. Konzultant Mgr. Dušan Štefánik, PhD.
Znečisťovanie ovzdušia tuhými aerosólmi, oxidmi dusíka a prízemným ozónom patrí medzi najvážnejšie problémy v oblasti životného prostredia na Slovensku. SHMÚ disponuje 38 stanicami vybavenými prístrojmi na meranie koncentrácií znečisťujúcich látok. Pri prekročení limitov, napríklad v prípade prekročenia 12-h kĺzavého priemeru koncentrácií PM10 hodnoty 150 na meracej stanici, je vyhlasovaná výstraha pred závažnou smogovou situáciou. Momentálne sa teda výstrahy pred smogovými situáciami vydávajú na základe vyhodnotenia predošlých meraní. Veľmi žiadúcim je vedieť predpovedať smogové situácie s časovým predstihom. V súčasnosti sa takéto predpovede robia chemicko-transportnými modelmi a štatistickými metódami ako je strojové učenie. Chemicko-transportné modely, ktoré počítajú znečistenie ovzdušia na základe fyzikálno-chemických rovníc majú veľkú neurčitosť, najmä kvôli neurčitosti v meteorologických a emisných vstupoch. Preto sú v súčasnosti na predpovede znečistenia ovzdušia veľmi populárne algoritmy strojového učenia, ktoré predpovedajú s väčšou úspešnosťou.
Primárnym cieľom práce je vytvoriť program na predpovedanie koncentrácií znečisťujúcich látok v ovzduší pre vybrané stanice SHMÚ algoritmami strojového učenia na základe predpovedí meteorologických veličín modelom Aladin. Študent by mal v práci porozumieť algoritmom v knižnici Scikit-Learn, prípadne TensorFlow. V práci bude testovať vhodnosť výberu daného algoritmu, ako aj mieru závislosti predpovedaného znečistenia od vstupných prvkov: jednotlivých meteorologických parametrov a časových údajov. Študent by sa mal naučiť štatisticky spracovávať obrovské množstvo dát a graficky ich prezentovať.
Richard Ižip Temperature correction in meteorological forecasts 2018
Eros Pasero and Luca Mesin: Artificial Neural Networks to Forecast Air Pollution 2010
Atakan Kurt and Ayse Betul Oktay: Forecasting air pollutant indicator levels with geographic models 3 days in advance using neural networks 2010
Giorgio Corani Air quality prediction in Milan: feed-forward neural networks, pruned neural networks and lazy learning 2005
X.Y. Ni, H. Huang, and W.P. Du: Relevance analysis and short-term prediction of PM 2.5 concentrations in Beijing based on multi-source data 2016
Andreas C. Muller and Sarah Guido: Introduction to Machine Learning with Python, Published by O’Reilly Media, Inc., 1005, 2017
John D. Kelleher, Brian Mac Namee and Aoife D'Arcy: Fundamentals of Machine Learning for Predictive Data Analytics, 2015
Stuart J. Russell , Peter Norvig, Artificial Intelligence: A Modern Approach, Pearson Education, 2003
Trevor Hastie, Robert Tibshirani, Jerome H. Friedman: The Elements of Statistical Learning 2001
Prezentácia: pdf | pptm
Aktuálna verzia práce: Tu
Denník: Tu