Show simple item record

Techniques for monitoring city air quality

dc.contributor.advisorΜπερσίμης, Σωτήριος
dc.contributor.authorΧαλανούλη, Δήμητρα
dc.description.abstractΟ κύριος στόχος αυτής της διπλωματικής εργασίας είναι να διερευνήσει τυχόν υπερβάσεις στις τιμές (συγκεντρώσεις) των ρύπων στον Αττικό ουρανό χρησιμοποιώντας μεθόδους ανάλυσης χρονοσειρών όπως για παράδειγμα ARIMA μοντέλα αλλά και διαγράμματα στατιστικού ελέγχου ποιότητας. Χρησιμοποιήθηκαν δεδομένα από δύο κυρίαρχους στην Ελλάδα ρύπους, το διοξείδιο του αζώτου (ΝΟ2) και το όζον (Ο3), όπως μετρήθηκαν από 8 διαφορετικούς σταθμούς στην Αττική. Η ιδιαιτερότητα των δεδομένων αυτών έγκειται στο ότι, πρώτον, είναι έντονο το φαινόμενο των ελλειπουσών τιμών (έως και 10% σε κάθε σταθμό ξεχωριστά) και δεύτερον, όλες οι μετρήσεις των ρύπων είναι αυτοσυσχετισμένες. Για την εξάλειψη του πρώτου χρησιμοποιήθηκαν 2 διαφορετικοί μέθοδοι για την «συμπλήρωση» των τιμών αυτών (multiple imputation) που αφορούν χρονοσειρές ενώ για την εξάλειψη του δεύτερου εφαρμόστηκαν ARIMA μοντέλα. Η τελική χρήση των μοντέλων αυτών βοήθησε, όχι μόνο στην εξάλειψη της αυτοσυσχέτισης, αλλά και της τάσης που εμφάνιζαν αρχικά τα δεδομένα των ρύπων. Έπειτα από την επιλογή των καλύτερα προσαρμοσμένων μοντέλων χρονοσειρών (διαγνωστικός έλεγχος μέσω διαγραμμάτων αυτοσυσχέτισης, Μέσου Τετραγωνικού Σφάλματος και κριτηρίου του Akaike) για δεδομένα από το 2010-2012 («ιστορικό» σύνολο δεδομένων), προχωρήσαμε σε προβλέψεις για τα δεδομένα των προαναφερόμενων ρύπων το 2013 (δεδομένα προς έλεγχο). Ενδιαφέρον δόθηκε στα θετικά σφάλματα πρόβλεψης, δηλαδή στην περίπτωση που η πραγματική τιμή των ρύπων αποκλίνει σημαντικά από την προβλεπόμενη. Αυτό το συμβάν μεταφράζεται ως σημείο εκτός ελέγχου στο διάγραμμα ελέγχου μέσων τιμών για μεμονωμένες τιμές, το οποίο και χρησιμοποιήθηκε για την επιτήρηση της ποιότητας του αέρα στην Αττική. Μετά από την εφαρμογή όλων των παραπάνω μεθόδων αποδείξαμε κυρίως ότι: 1) η εμφάνιση πολλών συνεχόμενων ακραίων τιμών στον σταθμό των Λιοσίων πιθανόν να αποδίδεται σε έντονα καιρικά φαινόμενα που παρατηρήθηκαν εκείνη την περίοδο (1-7 Ιανουαρίου 2013) και 2) στους υπόλοιπους σταθμούς μέτρησης δεν παρατηρήθηκαν πολλά ακραία θετικά σφάλματα πρόβλεψης με αποτέλεσμα να θεωρήσουμε ότι το μοντέλο είναι καλά προσαρμοσμένο στα δεδομένα και δεν διαφέρει πολύ από τις πραγματικές τιμές που παρατηρήθηκαν το 2013.el
dc.publisherΠανεπιστήμιο Πειραιώςel
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.titleTechniques for monitoring city air qualityel
dc.title.alternativeΜέθοδοι επίβλεψης της ποιότητας του αέρα στο αστικό περιβάλλονel
dc.typeMaster Thesisel
dc.contributor.departmentΣχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμηςel
dc.description.abstractENIn this thesis, alarming events of air pollution in the Attica region are being investigated, using ARIMA models and statistical control charts. The research focused on estimating, fitting and forecasting suitable ARIMA models by identifying specific patterns in the time series of pollutants and by using statistical process control techniques to detect possible harmful exceedances. The main objective of this study was to analyze and plot the residuals (forecast errors) of air pollutants, taking nitrogen dioxide (NO2) and ozone (O3) daily mean concentrations from 2010-2013 and from 8 different stations located throughout Attica as a case study. The percentage of missing data for each annual time series was around 10% on average, thus multiple imputation techniques were used as an initial step. Corrective actions were taken to monitor such autocorrelated processes including differencing the time series in order to achieve stationarity and remove trend from the data. It was proved that NO2 and O3 time series were correlated and only the O3 time series showed regular peaks (seasonality). After implementing ARIMA models and checking the residuals for correlation and normality, one – step ahead forecasts were produced for NO2 and O3 concentrations. Forecast errors were studied and plotted in a ̅ chart / MR chart for individual data as an aid to detect outliers. We were mainly interested in the large positive differences between the observed and predicted values (positive forecast errors). Statistical analysis showed that successive large ―disturbances‖ were only occurred for O3 concentrations at Liosia station, indicating an event that we should pay special attention to, while in all other stations the outliers were significantly low in number, indicating a well – estimated model, close enough to the actual concentrations of 2013.el
dc.contributor.masterΕφαρμοσμένη Στατιστικήel
dc.subject.keywordAir -- Pollutionel
dc.subject.keywordARIMA modelsel
dc.subject.keywordForecasting -- Statistical methodsel

Files in this item


This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές

Βιβλιοθήκη Πανεπιστημίου Πειραιώς
Contact Us
Send Feedback
Created by ELiDOC
Η δημιουργία κι ο εμπλουτισμός του Ιδρυματικού Αποθετηρίου "Διώνη", έγιναν στο πλαίσιο του Έργου «Υπηρεσία Ιδρυματικού Αποθετηρίου και Ψηφιακής Βιβλιοθήκης» της πράξης «Ψηφιακές υπηρεσίες ανοιχτής πρόσβασης της βιβλιοθήκης του Πανεπιστημίου Πειραιώς»