Naslov magistrskega dela: Poprocesiranje napovedi onesnaževal zraka z uporabo strojnega učenja

Povzetek:

Onesnaženost zraka je nujen okoljski in javnozdravstveni problem, zato so natančne napovedi koncentracij onesnaževal pomembne za odločevalce in širšo javnost. Numerični modeli kakovosti zraka, kot je CAMx, omogočajo operativno napovedovanje, vendar lahko njihove napovedi vsebujejo napake, zato je potrebno napovedi popraviti (poprocesirati). V magistrskem delu smo preučili uporabo metod strojnega in globokega učenja za poprocesiranje napovedi modela CAMx v Sloveniji.
Razviti pristop uporablja napovedi modela CAMx, meteorološke napovedi modela ALADIN in meritve s slovenskih merilnih postaj. Primerjali smo preproste metode poprocesiranja in preverili, ali uporaba bolj kompleksnih modelov strojnega in globokega učenja prinese večje izboljšave. Modele smo ovrednotili po metodi razširjajočega okna. Napovedovali smo urne koncentracije PM10 in O3 ter preseganja mejnih vrednosti.
Z uporabo metod poprocesiranja smo izboljšali napovedi CAMx. Najboljše rezultate sta dosegla XGBoost in Temporal Fusion Transformer (TFT). TFT je zmanjšal RMSE za približno 36% pri PM10 in 51% pri O3. Poprocesiranje je izboljšalo tudi zaznavanje preseganj mejnih vrednosti ter zagotovilo zanesljivejše urne napovedi za naslednji dan.

Mentorica: doc. dr. Jana Faganeli Pucer 

Komisija za zagovor:

prof. dr. Erik Štrumbelj (predsednik),

prof. dr. Zoran Bosnić (član),

doc. dr. Petar Vračar (član).

Prostor: Diplomska soba