Μελέτη του αντίκτυπου της πανδημίας COVID-19 στην ποιότητα ατμοσφαιρικού αέρα με χρήση βαθέων νευρωνικών δικτύων σε πολυτροπικά δορυφορικά δεδομένα
Impact assessment of COVID-19 lockdowns on air quality using deep neural networks on multimodal satellite data
Keywords
Ατμοσφαιρική ποιότητα ; Πρόγνωση χρονοσειρών ; Βαθιά μάθηση ; Όραση υπολογιστώνAbstract
Σκοπός αυτής της εργασίας είναι να εκτιμηθεί το αντίκτυπο των lockdown της COVID-19 πανδημίας στην ατμοσφαιρική ποιότητα με την χρήση μοντέλων βαθείας μάθησης. Το κύριο κίνητρο πίσω από αυτό το ερευνητικό έργο είναι η ανάγκη κατανόησης της αντίδρασης της ατμοσφαιρικής ποιότητας σε κοινωνικοοικονομικές δραστηριότητες όπως τα lockdowns και η εφαρμογή μοντέλων ικανά να μάθουν αυτήν την σχέση. Χρησιμοποιήσαμε δεδομένα πολλαπλών περιοχών τα οποία περιέχουν δορυφορικές εικόνες CO και NO2 συγκεντρώσεων σε συνδυασμό με πολιτικές που εφαρμόσθηκαν για την μείωση της εξάπλωσης του κορονοϊού. Για την ολοκλήρωση αυτής της εργασίας υλοποιήθηκαν μοντέλα βαθείας μάθησης, ειδικότερα CNN-LSTM, ConvLSTM και 3D-UNet και έπειτα αξιολογήθηκαν μεταξύ τους για να βρεθεί το καλύτερο μοντέλο. Τα αποτελέσματά μας έδειξαν καλή απόδοση στο 3D-UNet νευρωνικό δίκτυο, ξεπερνώντας τα CNN-LSTM και ConvLSTM μοντέλα. Έπειτα, μελετήσαμε την επίδραση των lockdown χαρακτηριστικών στην προγνωστική ικανότητα του προτεινόμενου μοντέλου. Συνοψίζοντας, τα ευρήματα μας έδειξαν πως δεν είχαν σημαντική επίδραση στην ποιότητα των προγνώσεων του μοντέλου.
Abstract
The purpose of this diploma thesis is to assess the impact of the lockdowns caused by the COVID-19 pandemic on air quality by using deep learning models. The primary motivation behind this research project is the need to understand how air quality responds to socialeconomic activities such as city-level lockdowns and implement models able to learn that relationship. We use datasets from multiple areas that contain satellite imagery of CO and NO2 air pollutants’ concentrations in combination with policy responses for the COVID-19 pandemic to predict their respective future image occurrences. Deep learning models, namely., CNN-LSTM, ConvLSTM, and 3D-UNet models are implemented to complete this task and then evaluated to discover the best performing network. Our results showed good performance on the 3D-UNet based network, surpassing both the CNN-LSTM and ConvLSTM networks. We then assess the effect of the lockdown
features on the prediction performance of the 3D-UNet model. Overall, our findings show that the lockdown features don’t have a notable impact on the model’s predictions’ quality.
Number of pages
83Faculty
Σχολή ΜηχανικώνAcademic Department
Τμήμα Μηχανικών Πληροφορικής και ΥπολογιστώνLanguage
EnglishCollections
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές