E-Locus - Ιδρυματικό Καταθετήριο Πανεπιστημίου Κρήτης - Μεταπτυχιακές εργασίες ειδίκευσης

Αρχική Συλλογές Σχολή/Τμήμα Σχολή Θετικών και Τεχνολογικών Επιστημών Τμήμα Φυσικής Μεταπτυχιακές εργασίες ειδίκευσης

Μεταπτυχιακές εργασίες ειδίκευσης

Τρέχουσα Εγγραφή: 3 από 299

[Προσθήκη στο καλάθι]

Κωδικός Πόρου

000465799

Τίτλος

Homogenization of the network of air pollution observations in Crete

Άλλος τίτλος

Ομογενοποίηση του δικτύου μετρήσεων ατμοσφαιρικής ρύπανσης στην Κρήτη

Συγγραφέας

Παρασκευαΐδου, Σοφία Β.

Σύμβουλος διατριβής

Κανακίδου, Μαρία

Μέλος κριτικής επιτροπής

Καλυβίτης, Νικόλαος
Χρηστάκης, Νικόλαος

Περίληψη

Η παρακολούθηση της ποιότητας του αέρα είναι κρίσιμη για την αντιμετώπιση περιβαλλοντι- κών και δημόσιων ζητημάτων υγείας. Οι χαμηλού κόστους μικροαισθητήρες προσφέρουν μια πιθανή, οικονομικά αποδοτική μέθοδο μέτρησης σωματιδίων (PM) και άλλων επικίνδυ- νων ατμοσφαιρικών ρύπων. Ωστόσο, η αποτελεσματικότητά τους επηρεάζεται σε μεγάλο βαθμό από περιβαλλοντικούς παράγοντες όπως η υψηλή υγρασία και η εμφάνιση εδαφικής σκόνης,γεγονός που απαιτεί ακριβή αξιολόγηση των επιδόσεών τους στο πεδίο και στο εργαστήριο. Αυτή η διπλωματική εργασία μελετά τη χρήση μικροαισθητήρων χαμηλού κόστους, ειδικά των εμπορικά διαθέσιμων συσκευών Bettair, Kunak και PurpleAir, για την πα- ρακολούθηση των ατμοσφαιρικών ρύπων, τονίζοντας τη σημασία της βαθμονόμησης προ- σαρμοσμένης στις μεμονωμένες ρυθμίσεις. Για να βελτιώσουμε την ακρίβεια των αισθη- τήρων, δημιουργήσαμε υπολογιστικές τροποποιήσεις χρησιμοποιώντας μεθόδους μηχανι- κής μάθησης (ΜΜ), οι οποίες αποδείχθηκαν ως η πιο αποτελεσματική μέθοδος βαθμο- νόμησης/προσαρμογής. Μετά την επεξεργασία των δεδομένων και την αξιολόγηση των συσχετισμών τους (Pearson και Spearman’s Rank Correlation Coefficients) ξεκινήσαμε την εφαρμογή των αλγορίθμων ΜΜ. Τα μοντέλα που τελικά χρησιμοποιήσαμε ήταν οι XG- Boost (EXtreme Gradient Boosting) και Random Forest (RF) regressors, οι οποίοι είναι αλγόριθμοι μάθησης με επίβλεψη. Από τη μελέτη αυτή καταλήξαμε στο συμπέρασμα ότι ο RF regressor ήταν αυτός που έδωσε καλύτερες προβλέψεις, μετά από εκπαίδευση με τις αντίστοιχες μετρήσεις κάθε μικροαισθητήρα, για τις τιμές συγκέντρωσης από τον σταθμό αναφοράς. Ωστόσο, για να έχουμε ένα ακριβές και αποτελεσματικό μοντέλο, απαιτείται μεγάλη ποσότητα δεδομένων και με περισσότερα χαρακτηριστικά. Τα ευρήματά μας τόσο από δοκιμές πεδίου όσο και από στατιστικές αναλύσεις δε- ίχνουν ότι η βαθμονόμηση με βάση τη μηχανική μάθηση βελτιώνει σημαντικά την απόδοση των αισθητήρων, καθιστώντας τους χαμηλού κόστους μικροαισθητήρες μια ημι-βιώσιμη εναλλακτική λύση για την παρακολούθηση της ποιότητας του αέρα σε ένα ευρύ φάσμα περιβαλλόντων.

Φυσική περιγραφή

32 σ. : πίν., σχήμ. εικ. (μερ. εγχρ.) ; 30 εκ.

Γλώσσα

Αγγλικά

Θέμα

Air Quality networks

Calibration

Machine learning models

Microsensors

PM particles

Δίκτυα ατμοσφαιρικού ελέγχου

Μικροαισθητήρες