Wyszukiwanie zaawansowane ?

Obiekt

Evaluation of sulphur dioxide hourly prediction using long short-term memory for summer and winter season
Pobierz

Tytuł: Evaluation of sulphur dioxide hourly prediction using long short-term memory for summer and winter season

Twórca:

Bennis, Mohammed ; Mohamed, Youssfi ; Morabet, Rachida El ; Alsubih, Majed ; Prayanagat, Muneer ; Khan, Abdul Rahman

Data:

2024

Typ:

artykuł w czasopiśmie

Tytuł odmienny:

Ocena prognozy godzinowego stężęnia dwutlenku siarki przy użyciu pamięci krótkotrwałej w porze letniej i zimowej

Opis:

Increasing air pollution has necessitated the prediction of pollutants over time. Deterministic, statistical, and machine-learning methods have been adopted to predict and forecast pollutant levels. It aids in planning and adopting measures to overcome the adverse effects of air pollution. This study employs long short-term memory (LSTM). This study used the hourly data from a meteorological station in a low-town area, Mohammedia City, Morocco. The model prediction accuracy was evaluated based on hourly, weekly, and seasonal (summer and winter) readings for the summer and winter of 2019, 2020 and 2021. Root mean square error (RMSE), mean absolute error (MAE) and mean arctangent absolute percentage error (MAAPE) were calculated to evaluate the accuracy of the developed LSTM model. The MAE value of 0.026 was observed to be less in winter than 0.029 during summer in 2019. Also, it was observed that MAE values decreased from Year 2019-2021, indicating increased prediction accuracy. MAAPE also observed a similar trend. However, RMSE values indicated the opposite for 2019 and 2020; in 2021, the RMSE value was 0.21 for summer and 0.14 for winter for hourly readings. Based on the error calculation, the study found weekly hourly readings were the most accurate for predicting SO2 concentration. Also, the LSTM model was more accurate in predicting winter SO2 concentration than in the summer season. Further studies must incorporate local incidences affecting the SO2 concentration into the LSTM model to increase its accuracy.

Miejsce wydania:

Koszalin

Wydawca:

Politechnika Koszalińska

Identyfikator:

oai:dlibra.tu.koszalin.pl:2094

Język:

eng

Jest częścią:

Rocznik Ochrona Środowiska. Vol. 26, s. 313-321

Prawa:

Biblioteka Politechniki Koszalińskiej

Prawa dostępu:

internet

Licencja:

Creative Commons BY-SA 4.0

Exlibris

Temat i słowa kluczowe:

sulphur dioxide machine learning long short-term memory mean absolute error root mean square error

Kolekcje, do których przypisany jest obiekt:

Data ostatniej modyfikacji:

22 gru 2025

Data dodania obiektu:

22 gru 2025

Liczba wyświetleń treści obiektu:

3

Wszystkie dostępne wersje tego obiektu:

https://dlibra.tu.koszalin.pl/publication/2104

Wyświetl opis w formacie RDF:

RDF

Wyświetl opis w formacie OAI-PMH:

OAI-PMH

Nazwa wydania Data
2024, Bennis, Mohammed, Evaluation of sulphur dioxide hourly prediction using long short-term memory for summer and winter season 22 gru 2025

Obiekty Podobne
Performance evaluation of Horizontal flow constructed wetland for removal of pharmaceuticals from synthetic wastewater

Mumtaj, Zeba Ali Khan, Abdul Rahman Alsubih, Majed Khan, Saimah

2024
artykuł w czasopiśmie
Assessment of ambient air pollution levels: a five-year analysis of PM2.5, NO, NO2, NOX, CO, and SO2

Srivastava, Rohan Khan, Abdul Rahman Asiri, Abdullah Khan, Saimah

2024
artykuł w czasopiśmie
Local binary pattern defect recognition approach for the friction stir welded AA 1200 and AA 6061-T6 aluminum alloy

Akshansh Mishra

2020
artykuł w czasopiśmie
A brief overview of antibiotic contamination sources in wastewater and elimination approaches

Mumtaj, Zeba Ali Khan, Abdul Rahman Ansari, Jamal Akhtar Asiri, Abdullah Khan, Saimah

2024
artykuł w czasopiśmie
Więcej
×

Cytowanie

Styl cytowania:

Dane kontaktowe

Adres

Biblioteka Politechniki Koszalińskiej ul. Racławicka 15-17 75-620 Koszalin

Telefon

(+48) 94 34 78 455

E-Mail

dlibra@tu.koszalin.pl

Odwiedź nas!

Ta strona wykorzystuje pliki 'cookies'. Więcej informacji