Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии
- скорость
ветра (м/с) в 6 и
12 часов;
- направление
ветра (дес.град)
в 6 и 12 часов;
- атмосферное
давление (мб)
в 6 и 12 часов;
- температура
воздуха (°С) в
6 и 12 часов;
- относительная
влажность
воздуха (%) в 6 и
12 часов;
- атмосферные
явления (шифр),
наблюдаемые
в 6 и 12 часов.
Длина массива данных составляет 273.

Рис.2. Исходные данные
3.2 Подготовительный этап
Чтобы вычислить
коэффициенты
функции
при каждом из
предикторов
необходимо
подготовить
исходные данные.
С этой целью:
Ряд значений
максимальных
за сутки концентраций
озона разбивается
на обучающую
и независимую
выборки. Далее
все преобразования
производятся
только с обучающей
выборкой.
Осуществляется
цензурирование
выборки: сортируется
массив данных
в соответствие
с ростом переменной
,
где
- значение
за сутки до
срока, на который
дается прогноз.
Находим значение
60%-ного квантиля
функции распределения
.
- В рассматриваемом
примере значению
60%-ного квантиля
функции распределения
соответствует
концентрация
= 63,42 мкг/м3. Делим
исходные данные
на две группы.
В первую группу,
объем которой
составляет
60% от общей выборки,
войдут значения
,
сопутствующие
метеоусловия
и расчетные
параметры,
которые наблюдались
при
< 63,42 мкг/м3. Для
этой группы
прогноз
осуществляется
по уравнению
.
Во вторую группу,
объем которой
составляет
40% от общей выборки,
- значения
,
,
,
,
сопутствующие
метеоусловия
и расчетные
параметры,
которые наблюдались
при
>= 63,42 мкг/м3. Для
этой группы
прогноз
осуществляется
с использованием
прогностических
схем.
3.3 Преобразование предикторов
Линеаризация
(рис.3). Исключение
нелинейности
связей между
предиктантом
и предикторами.


Рис. 3. Линеаризация предикторов
Для повышения эффективности модели в области высоких значений необходимо нормализовать все переменные, входящие в модель (рис. 4). Для этого каждое значение переменной сопоставляем значение обратной функции к функции распределения нормальной случайной величины со средним значением ноль и стандартным отклонением единица. Ее аргументом является значение выборочной функции распределения рассматриваемой случайной величины.

Рис. 4. Графики функции распределения предиктанта (до и после преобразования)
3.4 Построение регрессионного уравнения
Подготовленные исходные данные применяются для получения коэффициентов уравнения. Применяем метод пошаговой многомерной регрессии. Устанавливаем параметры: F-включения = 2, F-удаления = 1,9. После девяти итераций получаем предикторы, которые необходимо включить в систему. Так как два предиктора, F-6 и F-12, соответствуют одному и тому же метеорологическому параметру, в систему включаем только тот, который больше коррелирует с предиктантом, то есть F-6.
Таблица 1. Оценка предикторов
| F-включения | F-удаления | In/Out | Предиктор |
| 89,0213 | In |
|
|
| 31,3170 | In | С7 | |
| 3,4080 | In | F-6 | |
| 6,1487 | In | D-6 | |
| 4,7916 | In | NO2-7 | |
| 2,2418 | In | F12 | |
| 3,5270 | In | V12 | |
| 3,0150 | In | Т-6 | |
| 2,3492 | In | NO-7 | |
| 0,4037 | Out | Р6 | |
| 0,0001 | Out | Т-12 | |
| 0,0001 | Out | D12 | |
| 0,4391 | Out | V-6 | |
| 0,0083 | Out | АЯ-12 | |
| 0,9863 | Out | АЯ-6 | |
| 0,6304 | Out | Р12 |
После того как определены наиболее значимые предикторы, ищем коэффициенты b0 и bi. Для этого используем метод наименьших квадратов. В результате получаем прогностическое уравнение:
![]()
, (18)
Для того чтобы
получить
окончательные
значения концентрации
,
необходимо
выполнить
преобразование,
обратное
нормализации.
3.5 Оценка эффективности прогностической схемы
По полученному
уравнению
определяется
ожидаемое
значение
.
Убедимся в эффективности построенной прогностической схемы с помощью корреляционного графика между спрогнозированными и измеренными концентрациями озона для «обучающей выборки» (рис. 5).

Рис.5. Корреляционный график измеренных и прогностических суточных максимумов концентрации озона
Квадрат коэффициента корреляции между данными измерения и прогноза составил 0,83, а угловой коэффициент регрессии оказался равным 1,06.
Проверим применимость прогностической схемы на «независимой выборке». Корреляционный график, показывающий связь между прогностическими и фактическими концентрациями озона, приведен на рисунке (рис. 6).

Рис.6. Корреляционный график измеренных и прогностических суточных максимумов концентрации озона
Эффективность построенной прогностической схемы подтверждают выполненные оценки: квадрат коэффициента корреляции между данными измерения и прогноза составил 0,78, а угловой коэффициент регрессии оказался равным 1,09.
Оправдываемость индивидуального прогноза максимальной концентрации примеси Смахпрог за конкретные сутки оценивается с помощью формул 6-7. Прогноз оказался оправдавшимся для «обучающей выборки» в 89% случаев, а для «независимой выборки» - в 87%.
Таким образом, построенную схему прогноза концентраций озона следует считать эффективной.
3.6 Сравнительный анализ результатов
Сравним результаты, построенные с помощью приведённой выше прогностической схемы и с помощью метода инерционного прогноза. Полученные оценки сведём в таблицу.
| Прогностическая схема | Инерционный прогноз | |||
| "Обучающая выборка" | "Независимая выборка" | "Обучающая выборка" | "Независимая выборка" | |
| Уравнение линии тренда |
|
|
|
|
| Квадрат коэффициента регрессии R2 | 0,8256 | 0,7808 | 0,7305 | 0,6585 |
| Оправдываемость | 89% | 87% | 75% | 79% |
3.7 Результаты для других городов

Рис.7. Корреляционный график измеренных и прогностических суточных максимумов концентрации озона (Милан)
прогноз концентрация примесь программа


Рис.8. Корреляционный график измеренных и прогностических суточных максимумов концентрации озона (Winfield)

Рис.9. Корреляционный график измеренных и прогностических суточных максимумов концентрации озона (Обнинск)

Рис.9. Корреляционный график измеренных и прогностических суточных максимумов концентрации озона (Новосибирск)
ЗАКЛЮЧЕНИЕ
При выполнении данной работы получены следующие основные результаты:
Разработан статистический метод прогноза максимальных за день концентраций примесей в отдельных точках города и построены соответствующие прогностические схемы (для Санкт-Петербурга, Новосибирска, Милана). Проведенный анализ результатов и графические материалы показали, что применение выбранной стохастической модели позволяет прогнозировать максимальные концентрации в период повышенного загрязнения воздуха достаточно эффективно. Оценка эффективности схем по использованному и независимому материалу показала, что оправдываемость прогнозов наибольших концентраций составила в среднем 80%, а их предсказуемость — 85%.
Разработана и отлажена компьютерная программа на алгоритмическом языке C++, реализующая указанный метод и позволяющая прогнозировать суточные максимумы концентрации вредных примесей в городах. С учетом универсальности использованного алгоритма, модно надеяться, что данная программа может быть также использована для решения задачи прогнозирования в других областях.
Показано, что применение метода множественной линейной регрессии с предварительным исключением нелинейности связей и нормализацией предиктанта позволяет успешно прогнозировать максимальные концентрации и их экстремумы в период повышенного загрязнения воздуха в городе. Необходимость преобразований переменных вызвана нелинейной формой зависимости предиктанта от предикторов и асимметрией распределения функции плотности вероятности.
Выполненная работа направлена на повышение качества оценки уровня загрязнения на основе использования новой методики прогноза в целях повышения эффективности охраны чистоты воздушного бассейна. Полученная модель может быть рекомендована для оперативного использования в промышленных городах, в том числе для составления предупреждений об опасных уровнях загрязнения воздуха.
ЛИТЕРАТУРА
Афифи А., Эйзен С. Статистический анализ: Подход с использованием ЭВМ. Пер. с английского. - М.: Мир, 1982. - 488с.
Берлянд М.Е. Современные проблемы атмосферной диффузии и загрязнения атмосферы.// Л. :Гидрометеоиздат, 1975.—448с.
Кириллова В.И. …. Автореферат диссертации ….. кандидата геогр. наук
Норман Дрейпер, Гарри Смит. Прикладной регрессионный анализ. Множественная регрессия = Applied Regression Analysis. — 3-е изд. — М.: «Диалектика», 2007. — С. 912.
«Руководство по прогнозу загрязнения воздуха» РД 52.04.306-92. // СПб.: Гидрометеоиздат, 1993. - 104 с.
Себер Дж. Линейный регрессионный анализ. М.: Мир, 1980, с. 456.
Размещено на