Vorhersage der Ozonkonzentration mithilfe von neuronalen Netzen

Ozon zählt zu den bedeutendsten bodennahen Luftschadstoffen, da hohe Konzentrationen ein ernstzunehmendes Gesundheitsrisiko darstellen. Die Vorhersage der Ozonkonzentration hat daher in den letzten Jahren stark an Bedeutung gewonnen. Traditionell basieren Prognosen auf Modellen, die chemische und physikalische Prozesse simulieren oder Trends in den Daten durch statistische Methoden identifizieren.

Seit etwa einem Jahrzehnt werden zunehmend auch Long Short-Term Memory (LSTM)-Modelle, eine Art neuronaler Netze, für die Vorhersage von Schadstoffkonzentrationen eingesetzt.

Diese Arbeit untersucht die Anwendbarkeit von LSTM-Modellen zur Vorhersage der Ozonkonzentration in der Stadt Zürich. Verschiedene LSTM-Modelle wurden entwickelt und trainiert, um die optimalen Konfigurationen der Modellarchitektur- und Trainingsparameter zu ermitteln. Die Evaluation erfolgte sowohl quantitativ anhand von Fehlermetriken wie MSE, MAE und dem Pearson-Koeffizienten als auch qualitativ durch die Analyse der Vorhersagekurven. 

Die Ergebnisse zeigen, dass die Modelle zeitliche Trends der Ozonkonzentration erfolgreich erfassen. Dabei lieferten kleinere Modelle mit nur einem LSTM-Layer die präzisesten Vorhersagen.