Η ατμοσφαιρική ρύπανση αποτελεί ένα από τα πιο διαδεδομένα και σύνθετα περιβαλλοντικά προβλήματα με σημαντικές επιπτώσεις στη δημόσια υγεία και την ποιότητα ζωής, ιδιαίτερα σε αστικά περιβάλλοντα όπου η πυκνότητα πληθυσμού και η βιομηχανική δραστηριότητα εντείνουν τις εκπομπές ρύπων. Τα αυξανόμενα επίπεδα ρύπανσης έχουν οδηγήσει σε ανάγκη για ανάπτυξη ακριβέστερων μεθόδων πρόβλεψης και διαχείρισης αυτού του φαινομένου. Η μηχανική μάθηση προσφέρει πρωτοποριακές δυνατότητες στην επεξεργασία και ανάλυση μεγάλων δεδομένων από περιβαλλοντικές μετρήσεις, προβλέποντας με ακρίβεια τα επίπεδα ρύπανσης και επιτρέποντας την έγκαιρη παρέμβαση για την προστασία της δημόσιας υγείας και την εξασφάλιση ενός υγιέστερου αστικού περιβάλλοντος.

Σκοπός της έρευνας ήταν να αναπτυχθεί μια μεθοδολογία με τη χρήση μηχανικής μάθησης που θα μπορεί να προβλέπει τα επίπεδα ρύπανσης στα αστικά περιβάλλοντα με μεγαλύτερη ακρίβεια. Η μελέτη χρησιμοποιεί διάφορα μοντέλα μηχανικής εκμάθησης, όπως πολυστρωματικά perceptrons και επαναλαμβανόμενα νευρωνικά δίκτυα, χρησιμοποιώντας τεχνικές μηχανικής μάθησης και Python. Περιλαμβάνει την απόκτηση και την προεπεξεργασία των δεδομένων, την ανάπτυξη και εκπαίδευση των μοντέλων, καθώς και την αξιολόγηση τους μέσω διαφόρων μετρήσεων απόδοσης.

Τα μοντέλα δείχνουν υψηλή απόδοση στην πρόβλεψη επιπέδων ρύπων με βάση τα δεδομένα εκπαίδευσης και τα δεδομένα δοκιμής, προσφέροντας μια πιο ακριβή κατανόηση των δυναμικών της ατμοσφαιρικής ρύπανσης. Συμπερασματικά η μηχανική εκμάθηση αποδεικνύεται ένα πολύτιμο εργαλείο για την πρόβλεψη και τη διαχείριση της ατμοσφαιρικής ρύπανσης. Η μελέτη προτείνει μελλοντικές κατευθύνσεις για τη βελτίωση των μοντέλων και την επέκταση της εφαρμογής τους σε διαφορετικά αστικά περιβάλλοντα.

Air pollution is one of the most widespread and complex environmental problems with significant impacts on public health and quality of life, particularly in urban environments where population density and industrial activity intensify emissions. Increasing levels of pollution have led to a need to develop more accurate methods of predicting and managing this phenomenon. Machine learning offers pioneering capabilities in the processing and analysis of big data from environmental measurements, accurately predicting pollution levels and enabling early intervention to protect public health and ensure a healthier urban environment.

The purpose of the research was to develop a methodology using machine learning that would be able to predict pollution levels in urban environments with greater accuracy. The study uses various machine learning models, such as multilayer perceptrons and recurrent neural networks, using machine learning techniques and Python. It includes the acquisition and preprocessing of the data, the development and training of the models, and their evaluation through various performance metrics.

The models show high performance in predicting pollutant levels based on training data and test data, offering a more accurate understanding of air pollution dynamics. In conclusion machine learning proves to be a valuable tool for the prediction and management of air pollution. The study suggests future directions for improving the models and extending their application to different urban environments.