Forecasting airborne pollutants via time-series models
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10316/83178 |
Resumo: | Dissertação de Mestrado em Química apresentada à Faculdade de Ciências e Tecnologia |
id |
RCAP_6025ebd4938411f7e29e86891009bb00 |
---|---|
oai_identifier_str |
oai:estudogeral.uc.pt:10316/83178 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Forecasting airborne pollutants via time-series modelsSéries temporais na previsão de poluentes atmosféricosSéries temporaisPoluição atmosféricaAprendizagem de máquinaModelos de regressãoInteligência artificialTime-seriesAirborne pollutionMachine learningRegression modelsArtificial intelligenceDissertação de Mestrado em Química apresentada à Faculdade de Ciências e TecnologiaA poluição atmosférica é uma das maiores preocupações ambientais nos dias de hoje e que afeta pessoas em todo o mundo, tanto em países desenvolvidos como em países em desenvolvimento. A Organização Mundial de Saúde (OMS) estima que em 2012, até 3.7 milhões de mortes prematuras em todo o mundo podem ser atribuidas à poluição atmosférica. Esta pode ser classificado numa de duas categorias diferentes, dependendo das suas fontes de emissão: poluição natural ou antropogênica. A primeira ocorre naturalmente a partir de fenômenos como decomposição radiológica, incêndios florestais e atividade vulcânica, enquanto que a última é gerada pela atividade humana, principalmente pela queima de combustíveis fósseis. Embora a poluição atmosférica antropogênica seja tão antiga quanto a própria humanidade, tem visto um aumento exponencial nos últimos dois séculos, devido ao processo de industrialização.Reduzir as emissões destes compostos requer um grande esforço e tempo, e enquanto isso as pessoas continuam expostas a eles. Assim, mitigar os seus effeitos reduzindo o tempo de exposção é um desafio crucial que requer modelos de previsão capazes de prever as variações mínimas nas suas concentrações. Este trabalho fez uso de algoritmos e técnicas de "machine learning" para construir e refinar modelos capazes de fazer tais previsões. No fim, são apresentados modelos com erros mínimos para prever monóxido de carbono e ozono troposférico bem como modelos erráticos, mas consistentes, para realizar a previsão de matéria particular e dióxido de enxofre. O único composto para o qual o modelo desenvolvido não foi capaz de gerar previsões precisas foi o dióxido de azoto. Considerações sobre o futuro desta pesquisa bem como possíveis melhorias são também apresentadas.Air pollution is one of the biggest environmental concerns in present days affecting people all around the world, in developed and developing countries alike. The World Health Organization (WHO) estimates that in 2012 up to 3.7 million premature deaths all around the world could be blamed on air pollution. It can be ranked in one of two different categories depending on its emission sources: background or anthropogenic pollution. The first of which occurs naturally from phenomena such as radiological decomposition, forest fires and volcanic activity whereas the latter is generated by human activity, mainly from fossil fuel burning. While anthropogenic air pollution has existed for almost as long as humankind, it has seen an exponential increase during past couple of centuries, due to the industrialization process. Reducing the emissions of these compounds takes great effort and time, and while doing so people continue to be exposed to them. Thus mitigating their effects by reducing exposure time is a critical challenge that requires accurate forecasting models capable of predicting the slightest variations in their concentrations. This work made use of machine learning algorithms and techniques to construct and refine linear models capable of making such predictions. In the end, there are presented models with small errors for carbon monoxide and tropospheric ozone forecasting alongside more erratic, but consistent, particulate matter and sulfur dioxide forecasting models. The one compound that the developed model was unable to forecast accurately was nitrogen dioxide. Considerations the future of this research and possible improvements are also supplied.2017-09-22info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/83178http://hdl.handle.net/10316/83178TID:202123251engGregório, João Alberto Madeirainfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2020-03-23T11:54:51Zoai:estudogeral.uc.pt:10316/83178Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:04:58.699806Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Forecasting airborne pollutants via time-series models Séries temporais na previsão de poluentes atmosféricos |
title |
Forecasting airborne pollutants via time-series models |
spellingShingle |
Forecasting airborne pollutants via time-series models Gregório, João Alberto Madeira Séries temporais Poluição atmosférica Aprendizagem de máquina Modelos de regressão Inteligência artificial Time-series Airborne pollution Machine learning Regression models Artificial intelligence |
title_short |
Forecasting airborne pollutants via time-series models |
title_full |
Forecasting airborne pollutants via time-series models |
title_fullStr |
Forecasting airborne pollutants via time-series models |
title_full_unstemmed |
Forecasting airborne pollutants via time-series models |
title_sort |
Forecasting airborne pollutants via time-series models |
author |
Gregório, João Alberto Madeira |
author_facet |
Gregório, João Alberto Madeira |
author_role |
author |
dc.contributor.author.fl_str_mv |
Gregório, João Alberto Madeira |
dc.subject.por.fl_str_mv |
Séries temporais Poluição atmosférica Aprendizagem de máquina Modelos de regressão Inteligência artificial Time-series Airborne pollution Machine learning Regression models Artificial intelligence |
topic |
Séries temporais Poluição atmosférica Aprendizagem de máquina Modelos de regressão Inteligência artificial Time-series Airborne pollution Machine learning Regression models Artificial intelligence |
description |
Dissertação de Mestrado em Química apresentada à Faculdade de Ciências e Tecnologia |
publishDate |
2017 |
dc.date.none.fl_str_mv |
2017-09-22 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10316/83178 http://hdl.handle.net/10316/83178 TID:202123251 |
url |
http://hdl.handle.net/10316/83178 |
identifier_str_mv |
TID:202123251 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799133941412659200 |