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 » Номер 2(38) 2020 » Двухшаговый комбинированный алгоритм повышения точности прогнозирования концентрации метана в атмосферном воздухе на основе нейронной сети NARX и последующего прогнозирования невязок

ДВУХШАГОВЫЙ КОМБИНИРОВАННЫЙ АЛГОРИТМ ПОВЫШЕНИЯ ТОЧНОСТИ ПРОГНОЗИРОВАНИЯ КОНЦЕНТРАЦИИ МЕТАНА В АТМОСФЕРНОМ ВОЗДУХЕ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ NARX И ПОСЛЕДУЮЩЕГО ПРОГНОЗИРОВАНИЯ НЕВЯЗОК

ЖУРНАЛ: Номер 2(38) 2020, с. 59-67

РУБРИКА: Научные исследования в Арктике

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

ОРГАНИЗАЦИИ: Институт промышленной экологии Уральского отделения РАН, Уральский федеральный университет

DOI: 10.25283/2223-4594-2020-2-59-67

УДК: 504.3.054(985)

Поступила в редакцию: 19.11.2019

Ключевые слова: парниковые газы, искусственные нейронные сети, NARX, невязки

Библиографическое описание: Субботина И.Е., Буевич А.Г., Сергеев А.П., Шичкин А.В., Баглаева Е.М., Ремезова М.С. Двухшаговый комбинированный алгоритм повышения точности прогнозирования концентрации метана в атмосферном воздухе на основе нейронной сети NARX и последующего прогнозирования невязок // Арктика: экология и экономика. — 2020 — №2(38). — С. 59-67. — DOI: 10.25283/2223-4594-2020-2-59-67.


АННОТАЦИЯ:

Предложен двухшаговый комбинированный алгоритм прогнозирования концентрации метана в атмосферном воздухе, основанный на использовании искусственных нейронных сетей и последующем моделировании невязок. Для выбора базовой модели проведено сравнение результатов двух наиболее часто применяемых для прогноза временны́х рядов искусственных нейронных сетей: нелинейной авторегрессионной нейронной сети с внешним входом NARX и нейронной сети Elman. Временной ряд составлен из значений концентрации метана в приземном слое атмосферного воздуха, полученных при экологическом мониторинге парниковых газов на арктическом острове Белый (Россия). Выбран временной интервал 192 ч в течение летнего периода, характеризующийся значительными суточными колебаниями концентрации метана. Для обучения нейронной сети использованы значения, соответствующие первым 168 ч интервала, следующие 24 ч были спрогнозированы. Точность прогноза оценивалась на основе ряда рассчитываемых показателей: индексов согласия, абсолютной ошибки, среднеквадратической и среднеквадратичной относительной ошибки. Предложенный алгоритм позволил повысить точность прогноза лучшей базовой модели NARX по всем показателям.


Литература:

1. Арктика: зона мира и сотрудничества / Отв. ред. А. В. Загорский. — М.: ИМЭМО РАН, 2011. —

195 с.

2. Второй оценочный доклад Росгидромета об изменениях климата и их последствиях на территории Российской Федерации. [Г. В. Алексеев и др.] / Федер. служба по гидрометеорологии и мониторингу окружающей среды (Росгидромет). — М.: Росгидромет, 2014. — 1007 с.

3. AMAP Climate Change Update 2019: An Update to Key Findings of Snow, Water, Ice and Permafrost in the Arctic (SWIPA) 2017. Arctic Monitoring and Assessment Programme (AMAP). Oslo, Norway, 2019.

4. Serreze M. C., Barry R. G. Processes and impacts of Arctic amplification: A research synthesis. Global and Planetary Change, 2011, vol. 77 (1-2), рр. 85—96.

5. Перльштейн Г. З., Сергеев Д. О., Типенко Г. С. и др. Углеводородные газы и криолитозона шельфа Арктики // Арктика: экология и экономика. — 2015. — № 2 (18). —

С. 35—44.

6. Аржанов М. М., Мохов И. И., Денисов С. Н. Дестабилизация реликтовых метангидратов при наблюдаемых региональных изменениях климата // Арктика: экология и экономика. — 2016. — № 4 (24). — С. 46—51.

7. Дзюба А. В., Елисеев А. В., Мохов И. И. Оценка изменений скорости стока метана из атмосферы при потеплении климата // Изв. РАН. Сер. Физика атмосферы и океана. — 2012. — № 48 (3). — С. 372—382.

8. Chu N., Kadane J. B., Davidson C. I. Using statistical regressions to identify factors influencing PM2.5 concentrations: The Pittsburgh supersite as a case study. Aerosol Science and Technology, 2010, vol. 44, рр. 766—774.

9. Cobourn W. G. An enhanced PM2.5 air quality forecast model based on nonlinear regression and back- trajectory concentrations. Atmospheric Environment, 2010, vol. 44, P. 3015—3023.

10. Chatfield Ch. The Analysis of Time Series: An Introduction, Sixth Edition. New York, Chapman & Hall/CRC, 2016, 352 p.

11. McNorton J., Wilson C., Gloor M., Parker R. J., Boesch H., Feng,W., Hossaini R., and Chipperfield M. P. Attribution of recent increases in atmospheric methane through 3-D inverse modelling. Atmospheric Chemistry and Physics, 2018, vol. 18, рр. 18149—18168. Available at: https://doi.org/10.5194/acp-18-18149-2018.

12. Russo A., Raischel F., Lind P. Air quality prediction using optimal neural networks with stochastic variables. Atmospheric Environment, 2013, vol. 79, рр. 822—830.

13. Zhang G. Time series forecasting using a combined ARIMA and neural network model. Neurocomputing, 2003, vol. 50, рр. 159—175.

14. Zhou Q., Jiang H., Wang J., Zhou J. A combined model for PM2.5 forecasting based on ensemble empirical mode decomposition and a general regression neural network. Science of the Total Environment, 2014, vol. 496, рр. 264—274

15. Tabassum-Abbasi, Abbasi T., Luithui C., Abbasi S. A. A Model to Forecast Methane Emissions from Tropical and Subtropical Reservoirs on the Basis of Artificial Neural Networks. Water, 2020, vol. 12, рр. 145—153.

16. Ardalani-Farsa M., Zolfaghari S. Chaotic time series prediction with residual analysis method using combined Elman–NARX neural networks. Neurocomputing, 2010, vol. 73, рр. 2540—2553.

17. Erdil A., Arcaklioglu E. The prediction of meteorological variables using artificial neural network. Neural Computing & Applications, 2013, vol. 22, рр. 1677—1683.

18. Menezes J. M. Jr, Barreto G. A. Long-term time series prediction with the NARX network: An empirical evaluation. Neurocomputing, 2008, vol. 71, рр. 3335—3343.

19. Pisoni E., Farina M., Carnevale C., Piroddi L. Forecasting peak air pollution levels using NARX models. Engineering Applications of Artificial Intelligence, 2009, vol. 22, рр. 593—602.

20. Zemouri R., Gouriveau R., Zerhouni N. Defining and applying prediction performance metrics on a recurrent NARX time series model. Neurocomputing, 2010, vol. 73, рр. 2506—2521.

21. Sergeev A. P., Buevich A. G., Baglaeva E. M., Shichkin A. V. Combining spatial autocorrelation with machine learning increases prediction accuracy of soil heavy metals. Catena, 2019, vol. 174, рр. 425—435.

22. Tarasov D. A., Buevich A. G., Sergeev A. P., Shichkin A. V. High Variation Topsoil Pollution Forecasting in the Russian Subarctic: Using Artificial Neural Networks Combined with Residual Kriging. Applied Geochemistry, 2018, vol. 88(B), рр. 188—197.

23. Dai F., Zhoua O., Lva Z., Wang X., Liu G. Spatial prediction of soil organic matter concentration integrating artificial neural network and ordinary kriging in Tibetan Plateau. Ecological Indicators, 2014, vol. 45, рр. 184—194.

24. Kanevski M., Pozdnoukhov A., Timonin V. Machine Learning for Spatial Environmental Data: Theory, Applications and Software. [S. l.], EPFL Press, 2009, p. 377.

25. Lakes T., Müller D., Krüger C. Cropland change in southern Romania: a comparison of logistic regressions and artificial neural networks. Landscape Ecology, 2009, vol. 24 (9), рр. 1195—1206.

26. Seo Y., Kim S., Singh V. P. Estimating spatial precipitation using regression Kriging and Artificial Neural Network Residual Kriging (RKNNRK) hybrid approach. Water Resources Management, 2015, vol. 28, рр. 2189—2204.

27. Song Y.-Q., Yang L.-A., Li B. et al. Spatial prediction of soil organic matter using a hybrid geostatistical model of an extreme learning machine and ordinary kriging. Sustainability, 2017, vol. 9, рр. 754. Available at: https://doi.org/10.3390/su9050754.

28. Антонов К. Л., Поддубный В. А., Маркелов Ю. И. и др. Некоторые итоги мониторинга парниковых газов в Арктическом регионе России // Арктика: экология и экономика. — 2018. — № 1 (30). — С. 56—67. — DOI: 10.25283/2223-4594-2018-1-56-67.

29. Shepherd A. J. Second-Order Methods for Neural Networks: Fast and Reliable Training Methods for Multi-Layer Perceptrons. [S. l.], Springer-Verlag, 1997, 145 p.

30. Shichkin A. V., Buevich A. G., Sergeev A. P. et al. Training algorithms for artificial neural networks for time series forecasting of greenhouse gas concentrations. AIP Conference Proceedings, 2019, 2116 (1), 200019. DOI: 10.1063/1.5114200.

31. Willmott C. J. On the Validation of Models. Physical Geography, 1981, vol. 2, рр. 184—194.

32. Willmott C. J., Robeson S. M., Matsuura K. A refined index of model performance. International J. of Climatology, Wiley Online Library, 2011. Available at: http:// wileyonlinelibrary.com. DOI: 10.1002/joc.2419.


Скачать »


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