Procjena indeksa kvalitete zraka za lebdeće čestice PM10 i PM2,5 grada Zagreba primjenom metoda strojnog učenja

master's thesis

• Title (english): Assessment of the air quality index for particle matter PM10 and PM2.5 in the city of Zagreb using machine learning methods
• Author: Paola Klonkay
• Mentor: Željka Ujević Andrijić (mentor)
• Mentor: Silvije Davila (komentor)
• Committee member: Željka Ujević Andrijić (predsjednik povjerenstva)
• Committee member: Marin Kovačić (član povjerenstva)
• Committee member: Silvije Davila (član povjerenstva)
• Granter: University of Zagreb; Faculty of Chemical Engineering and Technology; Zagreb
• Defense date and country: 2024-09-26, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Chemical Engineering

Abstract

Onečišćenje zraka predstavlja veliki problem današnjice, kako za okoliš tako i za ljudsko zdravlje. Zato je cilj ovog diplomskog rada razviti modele za procjenu dnevnog indeksa kvalitete zraka (AQI) koji se odnosi na onečišćenje vanjskog zraka lebdećim česticama PM10 i PM2,5 (lebdeće čestice ekvivalentnog aerodinamičnog promjera manjeg od 10 i 2,5 μm) koristeći metode nadziranog strojnog učenja temeljene na klasifikaciji. Za razvoj modela primijenjene su metoda nasumičnih šuma i metoda potpornih vektora, koristeći programski jezik Python i pripadajuće knjižice. Korišteni su podaci o masenim koncentracijama frakcija lebdećih čestica PM10 i PM2,5 i meteorološki podaci s tri mjerne postaje državne mreže za trajno praćenje kvalitete zraka. Uz lokalne dnevne meteorološke podatke korišteni su i dnevni podaci prikupljeni na meteorološkoj postaji Maksimir, Državnog hidrometeorološkog zavoda. Za izradu modela korišteni su prikupljeni i izračunati srednji dnevni meteorološki i generirani temporalni podaci. U Pythonu su izračunati i uspoređeni kriteriji vrednovanja razvijenih klasifikacijskih modela. Za korištene podatke za procjenu dnevnog indeksa kvalitete zraka modeli nasumičnih šuma pokazuju bolje rezultate i performanse u odnosu na model potpornih vektora. Oba razvijena modela pokazuju zadovoljavajuću točnost (oko 90%) te se u budućnosti mogu primijeniti za predviđanje indeksa kvalitete zraka na novim skupovima podataka. Točno predviđanje indeksa kvalitete zraka može pridonijeti pravovremenom donošenju učinkovitih mjera za poboljšanje kvalitete zraka.

Abstract (english)

Air pollution is a critical issue of today, both for the environment and for human health. Therefore, the aim of this final thesis is to develop models for estimating the daily air quality index (AQI) related to outdoor air pollution by particulate matter PM10 and PM2,5 (particulate matter with an equivalent aerodynamic diameter of less than 10 and 2.5 μm) using methods of monitored machine learning based on classification. Random Forest method and Support Vector Machine method were applied for the development of the model, using the Python programming language and associated libraries. The theses used data on mass concentrations of fractions of particulate matter PM10 and PM2,5 and meteorological data from three measuring stations of the state network for permanent monitoring of air quality. In addition to local daily meteorological data, daily data collected at the Maksimir meteorological station of the State Hydrometeorological Institute were also used. Collected and calculated average daily meteorological and generated temporal data were used to create the model. Validation metrics, evaluation criteria of the developed classification models, were calculated and compared in Python. For the data used to estimate the daily Air Quality Index, the Random Forest models show better results and performance compared to the Support Vector Machine models. Both developed models show satisfactory accuracy (around 90%) and can be applied in the future to predict Air Quality Index on new data sets. Accurate prediction of the Air Quality Index can contribute to timely adoption of effective measures to improve air quality.

• Keywords: onečišćenje zraka; strojno učenje; lebdeće čestice PM10; lebdeće čestice PM2.5; indeks kvalitete zraka; klasifikacija; metoda nasumičnih šuma; metoda potpornih vektora; Python; meteorološki podaci; temporalni podaci; kriterij vrednovanja klasifikacijskih modela
• Keywords (english): air pollution; machine learning; particulate matter PM10; particulate matter PM2.5; air quality index; classification; random forest; support vector machine; Python; meteorological data; temporal data; classification model evaluation criteria
• Language: croatian
• URN:NBN: urn:nbn:hr:149:578223
• Project: Number: KK.01.1.1.02.0007; Title: Istraživačko-edukacijski centar za zdravstvenu i medicinsku ekologiju i zaštitu od zračenja – Rekonstrukcija i dogradnja Instituta za medicinska istraživanja i medicinu rada u Zagrebu; Title: Research and Educational Centre of Environmental Health and Radiation Protection – Reconstruction and Expansion of the Institute for Medical Research and Occupational Health in Zagreb; Acronym: ReC-IMI; Leader: Ana Lucić Vrdoljak; Jurisdiction: eu; Funder: Europska unija; Funding stream: European Regional Development Fund
• Study programme: Title: Chemical Engineering - Graduate study; Study programme type: university; Study level: graduate; Academic / professional title: sveučilišni/a magistar/magistra inženjer/inženjerka kemijskog inženjerstva (sveučilišni/a magistar/magistra inženjer/inženjerka kemijskog inženjerstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Open access
• Created on: 2024-11-07 09:36:20