ESTUDIO DE SERIES TEMPORALES DE CONTAMINACIÓN AMBIENTAL MEDIANTE TÉCNICAS DE REDES NEURONALES ARTIFICIALES TIME SERIES ANALYSIS OF ATMOSPHERE POLLUTION DATA USING ARTIFICIAL NEURAL NETWORKS TECHNIQUES

• Main Authors: Giovanni Salini Calderón, Patricio Pérez Jara
• Format: Article
• Language: English
• Published: Universidad de Tarapacá 2006-12-01
• Series: Ingeniare : Revista Chilena de Ingeniería
• Subjects: Contaminación ambiental; series temporales; redes neuronales artificiales; pronóstico; material particulado pm2.5; dinámica no lineal; Air pollution; times series; artificial neural networks; forecasting; pm2.5; nonlinear dynamics
• Online Access: http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-33052006000200012
• ISSN: 0718-3291; 0718-3305

Se diseñó una red neuronal artificial (RNA) para hacer predicciones de valores de concentraciones horarias de material particulado fino en la atmósfera. El estudio está basado en los datos de tres años de series de tiempo de pm2.5 (material particulado suspendido de 2,5 micrones de diámetro), obtenidos en una estación céntrica de la Red MACAM de la ciudad de Santiago de Chile, entre los años 1994 y 1996. Para obtener el espaciamiento óptimo de los datos, así como el número de datos hacia atrás necesarios para pronosticar el valor futuro, se aplicaron dos test estándar usados en estudio de sistemas dinámicos, como Información Mutua promedio (AMI) y Falsos Vecinos más Cercanos (FNN). De esta manera se encontró que lo más conveniente era considerar como entrada los datos de PM2.5 cada seis horas durante un día (cuatro datos), y en base a ellos predecir el dato siguiente. Una vez fijo el número de variables de entrada y elegida la variable a pronosticar, se diseñó un modelo predictivo basado en la técnica de RNA. El tipo de modelo de RNA usado fue uno de multicapas, alimentado hacia adelante y entrenado mediante la técnica de propagación hacia atrás. Se probaron redes sin capa oculta y con una y dos capas ocultas. El mejor modelo resultó ser con una capa oculta, a diferencia de lo obtenido en trabajo anterior que reportaba que la red sin capa oculta era más eficiente. Los resultados fueron más precisos que los obtenidos con un modelo de persistencia (el valor en seis horas más será el mismo que el actual).<br>An artificial neural network for the forecasting of concentrations of fine particulate matter in the atmosphere was designed. The data set analyzed corresponds to three years of pm2.5 time series (particulate matter in suspension with aerodynamic diameter less than 2,5 microns), measured in a station that belongs to Santiago's monitoring network (Red MACAM) and is located near downtown. We consider measurements of concentrations between May and August for years between 1994 and 1996. In order to find the optimal time spacing between data and the number of values into the past necessary to forecast a future value, two standard tests were performed, Average Mutual Information (AMI) and False Nearest Neighbours (FNN). The results of these tests suggest that the most convenient choice for modelling was to use 4 data with 6 hour spacing on a given day as input in order to forecast the value at 6 AM on the following day. Once the number and type of input and output variables are fixed, we implemented a forecasting model based on the neural network technique. We used a feedforward multilayer neural network and we trained it with the backpropagation algorithm. We tested networks with none, one and two hidden layers. The best model was one with one hidden layer, in contradiction with a previous study that found that minimum error was obtained with a net without hidden layer. Forecasts with the neural network are more accurate than those produced with a persistence model (the value six hours ahead is the same as the actual value).