Главная Рубрики журнала Авторский указатель Предметный указатель Справочник организаций Указатель статей
 
Арктика: экология и экономика
ISSN 2223-4594 | ISSN 2949-110X
Расширенный
поиск
RuEn
О ЖУРНАЛЕ|РЕДАКЦИОННЫЙ СОВЕТ И РЕДКОЛЛЕГИЯ|ИНФО|ВЫПУСКИ ЖУРНАЛА|АВТОРАМ|ПОДПИСКА|КОНТАКТЫ
Главная » Все выпуски » Том 13, № 3, 2023 » Модель для прогнозирования поверхностной концентрации метана в арк­тическом регионе, основанная на искусственной нейронной сети с длинной цепью элементов краткосрочной памяти и вейвлет-преобразованием исходных данных

МОДЕЛЬ ДЛЯ ПРОГНОЗИРОВАНИЯ ПОВЕРХНОСТНОЙ КОНЦЕНТРАЦИИ МЕТАНА В АРК­ТИЧЕСКОМ РЕГИОНЕ, ОСНОВАННАЯ НА ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ С ДЛИННОЙ ЦЕПЬЮ ЭЛЕМЕНТОВ КРАТКОСРОЧНОЙ ПАМЯТИ И ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЕМ ИСХОДНЫХ ДАННЫХ

ЖУРНАЛ: Том 13, № 3, 2023, с. 428-436

РУБРИКА: Экология

АВТОРЫ: Буевич А.Г., Сергеев А.П., Шичкин А.В., Баглаева Е.М., Субботина И.Е., Буторова А.С.

ОРГАНИЗАЦИИ: Институт промышленной экологии Уральского отделения РАН

DOI: 10.25283/2223-4594-2023-3-428-436

УДК: 504.064.2.001.18

Поступила в редакцию: 12.04.2023

Ключевые слова: метан, парниковые газы, искусственные нейронные сети LSTM, временны́е ряды, вейвлет-преобразование, атмосфера

Библиографическое описание: Буевич А.Г., Сергеев А.П., Шичкин А.В., Баглаева Е.М., Субботина И.Е., Буторова А.С. Модель для прогнозирования поверхностной концентрации метана в арк­тическом регионе, основанная на искусственной нейронной сети с длинной цепью элементов краткосрочной памяти и вейвлет-преобразованием исходных данных // Арктика: экология и экономика. — 2023. — Т. 13, — № 3. — С. 428-436. — DOI: 10.25283/2223-4594-2023-3-428-436.


АННОТАЦИЯ:

Изучение динамики содержания парниковых газов в арк­тических районах планеты приобретает все большее значение. Такие исследования особенно актуальны в свете наблюдаемого в этом регионе изменения климата. В настоящей работе предлагается гибридная модель, которая сочетает вейвлет-преобразование исходных данных и искусственную нейронную сеть с длинной цепью элементов краткосрочной памяти (LSTM) для прогнозирования изменения приземной концентрации метана в арк­тических широтах. Временной ряд концентрации метана был разложен с помощью дискретного вейвлет-преобразования на четыре составляющих — одну аппроксимирующую и три детализирующих. Эти компоненты использовались для обучения сети LSTM. Прогноз рассчитывался как сумма прогнозов по каждому из компонентов. Всего были построены три прогнозные модели. В первой сеть LSTM обучалась в режиме нелинейной авторегрессии. Вторая представляла собой сочетание дискретного вейвлет-преобразования с нейронной сетью LSTM. Также для сравнения использовалась дополнительная модель на основе нелинейной авторегрессионной нейронной сети. Работа основана на данных экологического мониторинга парниковых газов на острове Белый Ямало-Ненецкого автономного округа. Исходные данные для построения модели были получены в июле-августе 2017 г. Точность прогноза оценивалась с помощью нескольких индикаторов. Гибридная модель на основе LSTM показала лучшую точность.


Сведения о финансировании: Для измерения концентрации парниковых газов на острове Белый была использована аппаратура Центра коллективного пользования арк­тических экологических исследований Института промышленной экологии Уральского отделения РАН

Литература:
  1. Tao Q., Liu F., Li Y., Sidorov D. Air Pollution Forecasting Using a Deep Learning Model Based on 1D Convnets and Bidirectional GRU. IEEE Access, 2019, vol. 7, pp. 76690—76698. DOI: 10.1109/ACCESS.2019.2921578.
  2. Zhao J., Deng F., Cai Y., Chen J. Long short-term memory — Fully connected (LSTM-FC) neural network for PM2.5 concentration prediction. Chemosphere, 2019, vol. 220, pp. 486—492.
  3. Xu S., Niu R. Displacement prediction of Baijiabao landslide based on empirical mode decomposition and long short-term memory neural network in Three Gorges area, China. Computers & Geosciences, 2019, vol. 111, pp. 87—96. Available at: https://doi.org/10.1016/j.cageo.2017.10.013.
  4. Tong W., Li L., Zhou X., Hamilton A., Zhang K. Deep learning 578 PM2.5 concentrations with bidirectional LSTM RNN. Air Quality, Atmosphere & 579 Health, 2019, vol. 12 (4), pp. 411—423. Available at: https://doi.org/10.1007/s11869-018-0647-4.
  5. Jung D.-H., Kim H. S., Jhin C., Kim H.-J., Park S. H. Time-serial analysis of deep neural network models for prediction of climatic conditions inside a greenhouse. Computers and Electronics in Agriculture, 2020, vol. 173, p. 105402. Available at: https://doi.org/10.1016/j.compag.2020.105402.
  6. Hamrani A., Akbarzadeh A., Madramootoo C. A. Machine learning for predicting greenhouse gas emissions from agricultural soils. Science of The Total Environment, 2020, vol. 741, p. 140338. Available at: https://doi.org/10.1016/j.scitotenv.2020.140338.
  7. Li W., Kiaghadi A., Dawson C. High temporal resolution rainfall–runoff modeling using long-short-term-memory (LSTM) networks. Neural Comput & Applic Environment, 2021, vol. 33, pp. 1261—1278. Available at: https://doi.org/10.1007/s00521-020-05010-6.
  8. Sherstinsky A. Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) network. Physica D: Nonlinear Phenomena, 2020, vol. 404, p. 132306. Available at: https://doi.org/10.1016/j.physd.2019.132306.
  9. Memarzadeh G., Keynia F. A new short-term wind speed forecasting method based on fine-tuned LSTM neural network and optimal input sets. Energy Conversion and Management Environment, 2020, vol. 213, p. 112824. https://doi.org/10.1016/j.enconman.2020.112824.
  10. Wang Y., Liu P., Xu C., Peng C., Wu J. A deep learning approach to real-time CO concentration prediction at signalized intersection. Atmospheric Pollution Research, 2020, vol. 11 (8), pp. 1370—1378. Available at: https://doi.org/10.1016/j.apr.2020.05.007.
  11. Chang Y.-S., Chiao H.-T., Abimannan S., Huang Y.-P., Tsai Y.-T., Lin K.-M. An LSTM-based aggregated model for air pollution forecasting. Atmospheric Pollution Research, 2020, vol. 11 (8), pp. 1451—1463. Available at: https://doi.org/10.1016/j.apr.2020.05.015.
  12. Zheng Y., Yi X., Li M., Li R., Shan Z., Chang E., Li T. Forecasting Fine-Grained Air Quality Based on Big Data. KDD ‘15, Australia: ACM, pp. 2267—2276. Available at: https://doi.org/10.1145/2783258.2788573.
  13. Soh P., Chang J., Huang J. Adaptive Deep Learning-Based Air Quality Prediction Model Using the Most Relevant Spatial-Temporal Relations. IEEE Access, 2020, vol. 8, pp. 38186—38199. DOI: 10.1109/ACCESS.2018.2849820.
  14. Ma J. Ding Y., Gan V. J. L., Lin C., Wan Z. Spatiotemporal Prediction of PM2.5 Concentrations at Different Time Granularities Using IDW-BLSTM. IEEE Access., 2020, vol. 7, p. 107907. DOI: 10.1109/ACCESS.2019.2932445.
  15. Adamowski J., Chan H. F. A wavelet neural network conjunction model for groundwater level forecasting. J. of Hydrology, 2011, vol. 407 (1-4), pp. 28—40. Available at: https://doi.org/10.1016/j.jhydrol.2011.06.013.
  16. Ebrahimi H., Rajaee T. Simulation of groundwater level variations using wavelet combined with neural network, linear regression and support vector machine. Glob Planet Change, 2017, vol. 148, pp. 181—191. Available at: https://doi.org/10.1016/j.gloplacha.2016.11.014.
  17. Kalteh A. M. Monthly River flow forecasting using artificial neural network and support vector regression models coupled with wavelet transform. Computers & Geosciences, 2013, vol. 54, pp. 1—8. Available at: https://doi.org/10.1016/j.cageo.2012.11.015.
  18. Graf R., Zhu S., Sivakumar B. Forecasting river water temperature time series using a wavelet–neural network hybrid modelling approach. J. of Hydrology, 2019, p. 124115. Available at: https://doi.org/10.1016/j.jhydrol.2019.124115.
  19. Siwek K., Osowski S. Improving the accuracy of prediction of PM10 pollution by the wavelet transformation and an ensemble of neural predictors. Engineering Applications of Artificial Intelligence, 2012, vol. 25 (6), pp. 1246—1258. Available at: https://doi.org/10.1016/j.engappai.2011.10.013.
  20. Chen Y., Shi R., Shu S., Gao W. Ensemble and enhanced PM10 concentration forecast model based on stepwise regression and wavelet analysis. Atmospheric Environment, 2013, vol. 74, pp. 346—359. Available at: https://doi.org/10.1016/j.atmosenv.2013.04.002.
  21. Feng X., Li Q., Zhu Y., Hou J., Jin L., Wang J. Artificial neural networks forecasting of PM 2.5 pollution using air mass trajectory based geographic model and wavelet transformation. Atmospheric Environment, 2016, vol. 107, pp. 118—128. Available at: https://doi.org/10.1016/j.atmosenv.2015.02.030.
  22. Dunea D., Pohoata A., Iordache S. Using wavelet–feedforward neural networks to improve air pollution forecasting in urban environments. Environmental Monitoring and Assessment., 2015, vol. 187 (7), p. 477. Available at: https://doi.org/10.1007/s10661-015-4697-x.
  23. Bai Y., Li Y., Wang X., Xie J., Li C. Air pollutants concentrations forecasting using back propagation neural network based on wavelet decomposition with meteorological conditions. Atmospheric Pollution Research, 2016, vol. 7 (3), pp. 557—566. Available at: https://doi.org/10.1016/j.apr.2016.01.004.
  24. Cabaneros S. M., Calautit J. K., Hughes B. Spatial estimation of outdoor NO2 levels in Central London using deep neural networks and a wavelet decomposition technique. Ecological Modelling, 2020, vol. 424, p. 109017. Available at: https://doi.org/10.1016/j.ecolmodel.2020.109017.
  25. Osowski S., Garanty K. Forecasting of the daily meteorological pollution using wavelets and support vector machine. Engineering Applications of Artificial Intelligence, 2007, vol. 20 (6), pp. 745—755. Available at: https://doi.org/10.1016/j.engappai.2006.10.008.
  26. Su X., An J., Zhang Y., Zhu P., Zhu B. Prediction of ozone hourly concentrations by support vector machine and kernel extreme learning machine using wavelet transformation and partial least squares methods. Atmospheric Pollution Research Intelligence, 2020, vol. 11 (6), pp. 51—60. Available at: https://doi.org/10.1016/j.apr.2020.02.024.
  27. Mallat S. A theory for multiresolution signal decomposition: the wavelet representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1989, vol. 11, pp. 674—693. Available at: https://doi.org/10.1109/34.192463.
  28. Daubechies I. Ten Lectures on Wavelets. Philadelphia, PA, SIAM Press, 1988.
  29. Buevich A., Sergeev A., Shichkin A., Baglaeva E. A two-step combined algorithm based on NARX neural network and the subsequent prediction of the residues improves prediction accuracy of the greenhouse gases concentrations. Neural Computing and Applications, 2021, vol. 33, pp. 1547—1557. Available at: https://doi.org/10.1007/s00521-020-04995-4.
  30. Rakhmatova A., Sergeev A., Shichkin A., Buevich A., Baglaeva E. Three-day forecasting of greenhouse gas CH4 in the atmosphere of the arctic Belyy island using discrete wavelet transform and artificial neural networks. Neural Computing & Applications, 2021, vol. 33, pp. 10311—10322.
  31. Hochreiter S., Schmidhuber J. Long short-term memory. Neural computation, 1997, vol. 9 (8), pp. 735—1780.
  32. Sainath T. N., Vinyals O., Senior A., Sak H. Convolutional, Long Short-Term Memory, fully connected Deep Neural Networks. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), South Brisbane, QLD, Australia. [S. l.], 2015, pp. 4580—4584. DOI: 10.1109/ICASSP.2015.7178838.
  33. Fischer T., Krauss C. Deep learning with long short-term memory networks for financial market predictions. European J. of Operational Research, 2018, vol. 270 (2), pp. 654—669. Available at: https://doi.org/10.1016/j.ejor.2017.11.054.
  34. Willmott C. J. On the Validation of Models. Physical Geography, 1981, vol. 2, pp. 184—194.
  35. Willmott C. J., Robeson S. M., Matsuura K. A refined index of model performance. Intern. J. of Climatology, 2012, vol. 32 (13), pp. 2088—2094. Available at: https://doi.org/10.1002/joc.2419.

Скачать »


© 2011-2024 Арктика: экология и экономика
DOI 10.25283/2223-4594