Ανάπτυξη σύνθετων δεικτών κλιματικών παραμέτρων και ποιότητας ατμοσφαιρικού αέρα

Abstract

The scope of the present doctoral dissertation is the development of synthetic air quality data time series, by applying a methodology based on which estimates of environmental parameter concentrations are performed by using modern techniques (machine learning models) and these estimates are implemented in the existing observational databases. Thus, a new methodological framework is proposed to bridge the gap between the experimental datasets which are developed by using specialized environmental systems, with the datasets obtained through statistical processing, addressing the need for data completeness, especially in cases where the monitored parameters’ time series are characterized by missing values for extended periods of time, or even at unmonitored locations. Another important aspect of the current dissertation is the utilization of the generated synthetic time series as a basis for the development of composite environmental indicators, which integrate information from a combination of climatic variables and air quality parameters. Composite environmental indicators are the optimal choice for describing the complex interactions of gaseous and particulate pollutants with climatic parameters. The presented methodology promotes techniques that can be employed as modern forms of composite environmental indicators, which in turn can be used to draw conclusions for climatic conditions in specific future scenarios. The proposed framework is a new approach in relation to the existing air quality indicators and provides a new perspective by creating classifications of air pollutants and climatic parameters. These classifications can contribute to finding a relationship between ambient air quality and climatic variables and subsequently gaining important knowledge in this field.

Η παρούσα διατριβή έχει ως αντικείμενο τη δημιουργία συνθετικών χρονοσειρών, εφαρμόζοντας μία μεθοδολογία βάσει της οποίας πραγματοποιούνται εκτιμήσεις τιμών περιβαλλοντικών παραμέτρων με σύγχρονες τεχνικές (μοντέλα μηχανικής μάθησης) και αυτές οι εκτιμήσεις εισέρχονται στις υπάρχουσες βάσεις δεδομένων παρατηρήσεων. Με αυτό τον τρόπο προτείνεται ένα νέο μεθοδολογικό πλαίσιο για τη γεφύρωση του κενού που παρατηρείται ανάμεσα στις βάσεις δεδομένων πειραματικών μετρήσεων με τη χρήση κατάλληλων οργάνων, με τα δεδομένα που προκύπτουν μέσω στατιστικής επεξεργασίας, εξυπηρετώντας την ανάγκη για πληρότητα των δεδομένων, χωρίς να αλλοιώνεται η φυσική τους σημασία. Επιπλέον, η διατριβή εστιάζει στη χρήση αυτών των συνθετικών χρονοσειρών ως βάση ανάπτυξης συνδυαστικών περιβαλλοντικών δεικτών, που ενσωματώνουν την πληροφορία από ένα σύνολο κλιματικών μεταβλητών και παραμέτρων ποιότητας αέρα. Οι σύνθετοι περιβαλλοντικοί δείκτες αποτελούν τη βέλτιστη επιλογή για την περιγραφή με εύληπτο τρόπο των πολύπλοκων αλληλεπιδράσεων των αερίων και σωματιδιακών ρύπων με κλιματικές παραμέτρους. Η μεθοδολογία που προτείνεται μπορεί να λειτουργήσει ως μία σύγχρονη μορφή δείκτη που θα μπορεί να χρησιμοποιηθεί και για εξαγωγή συμπερασμάτων σε μελλοντικά σενάρια για τις κλιματικές συνθήκες. Οι προτεινόμενοι δείκτες αποτελούν μία νέα προσέγγιση σε σχέση με τους ήδη υπάρχοντες δείκτες ποιότητας αέρα και θα επιτρέψουν τη μελέτη της φυσικής του κλίματος από μία άλλη οπτική γωνία, ενώ ταυτόχρονα μπορούν να αποτελέσουν ένα σημαντικό εργαλείο για την πρόγνωση καταστάσεων που δύναται να επιφέρει το μελλοντικό κλίμα.