Techniques for monitoring city air quality

Abstract

Ο 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.