ПРОГНОЗИРОВАНИЕ ЗАГРЯЗНЕНИЯ АТМОСФЕРЫ

PREDICTION OF METEOROLOGICAL CONDITIONS

Аннотация. В этой статье мы рассматриваем разработку геоинформационной системы (ГИС), которая будет включать в себя методы прогнозирования уровня загрязнения, позволяющие учесть влияние вредных веществ на качество атмосферы.

Наличие огромного количества техногенных источников опасности, вызванных большим количеством автотранспортов, функционированием промышленных производств, содержащих множество постоянно действующих источников загрязнения атмосферного воздуха, представляет реальную угрозу для человека и окружающей среды. Количественные оценки экологического риска, полученные для ряда крупных промышленных производств, достаточно высоки даже для режимов нормального функционирования. В случае же залповых или аварийных выбросов загрязняющих веществ в атмосферный воздух величина экологического риска может увеличиться на порядки.

Современный уровень организации и управления производством выдвигает требования разработки новых подходов к проблеме контроля качества атмосферного воздуха и прогнозированию его загрязнения на основе новых информационных технологий. Поэтому создание единой структуры информационно-моделирующей и управляющей системы, и так же разработка перспективных моделей и алгоритмов прогнозирования загрязнения воздуха является актуальной проблемой.

Abstract. In this article, we consider the development of a geographic information system (GIS), which will include methods for predicting the level of pollution, allowing taking into account the effect of harmful substances on the quality of the atmosphere.

The presence of a huge number of technogenic sources of danger caused by a large number of motor vehicles, the functioning of industrial production, containing many permanent sources of air pollution, poses a real threat to humans and the environment.

The modern level of organization and management of production puts forward the requirements for developing new approaches to the problem of controlling the quality of atmospheric air and predicting its pollution based on new information technologies. Therefore, the creation of a unified structure of information modeling and control systems, as well as the development of promising models and predict algorithms of air pollution is an important issue.

Ключевые слова: Геоинформационная система (ГИС), атмосферное загрязнение, алгоритм прогнозирования.

Keywords: geographic information system (GIS), air pollution, predict algorithms.

На основании анализа уже существующих взглядов известно, что одним из наиболее важных возникающих экологических проблем в городах является загрязнение воздуха. Загрязнение воздуха представляет собой атмосферное состояние, при котором концентрация и продолжительность некоторых веществ, присутствующих в воздухе, оказывают вредное и разрушительное воздействие как на человека, так и на окружающую среду. Наиболее распространенными загрязняющими веществами на воздухе являются оксид серы, двуокись азота, окись углерода и диоксид и твердые частицы.

Географические информационные системы (ГИС) представляют собой компьютерные приложения, используемые для картографирования и анализа земных и связанных пространственно распределенных явлений.

Приложения ГИС объединяют уникальные визуализации с общими базами данных, которые позволяют захватывать, моделировать, манипулировать, извлекать, анализировать и представлять географически привязанные данные. По сравнению с другими информационными системами, системы ГИС имеют преимущества, в том числе высокую эффективность анализа  пространственных данных и обработки больших пространственных баз данных.

Приложения ГИС могут использоваться для управления качеством воздуха и контроля загрязнения, для обработки и управления большими объемами данных. ГИС-системы управляют пространственными и статистическими данными, что облегчает описание связи между частотой человеческой деятельности, ведущей к плохим экологическим здоровьем и низким качеством воздуха. Моделирование ГИС и статистический анализ также позволяют изучать и прогнозировать влияние климатических переменных на загрязнение воздуха. Таким образом, системы ГИС помогают контролировать загрязнение воздуха и выбросы загрязняющих веществ из разных источников.

Изучения проблемы

Главной целью исследований является изучения проблемы загрязнения атмосферного воздуха в г. Алматы из различных источников. Изучить методы оценки качества атмосферного воздуха и прогнозирования загрязнения. Разработать функциональную и обеспечивающую части ГИС для мониторинга прогноз атмосферного воздуха. Разработать методы прогнозирования загрязнения атмосферного воздуха в функционале ГИС.

Картирование загрязнения воздуха является полезным методом определения концентрации загрязняющих веществ. В результате картирования загрязнения воздуха могут быть созданы обзоры загрязнения в городах и выявлены источники их выбросов, которые помогают контролировать выбросы. Разработаны различные исследования по загрязнению воздуха в сочетании с ГИС. Следовательно, применение ГИС в мониторинге воздуха необходимо для определения качества воздуха для снижения загрязнения до такого уровня, при котором снижаются вредные воздействия на здоровье человека и окружающую среду.

Выбор модели

Человеческий мозг состоит из большого числа нейронов, соединенных друг с другом синапсами для создания сетей, и эти сети нейронов называются нейронными сетями или естественными нейронными сетями. Аналогично, искусственная нейронная сеть (ANN) является в основном математической моделью естественной нейронной сети. В ANN используется математическая или вычислительная модель, основанная на подключающем подходе для решения данной проблемы.

Концепция ANN получена из биологических нейронных сетевых систем. Ключевым применением нейронных сетей являются системы управления, системы классификации, системы прогнозирования и зрения. Для создания функциональной модели важны три основных компонента: синапсы нейрона; добавлено, что сумма всех входных данных в виде весов; и функции активации. В принципе, сильная связь между входом и нейроном отмечается синапсами или значением веса. Отрицательные значения отражают ингибирующие соединения, тогда как возбуждающие соединения показаны положительными значениями. Функции активации регулируют выход нейронов в пределах допустимого диапазона от -1 до 1.

Так же, рассматривается наивный Байесовский классификатор, который может использоваться для оценки вероятности того, что загрязнитель воздуха преодолеет определенный порог. Тем не менее, несколько прогнозов обычно требуются в отношении переменных, которые являются стохастически зависимыми, например, озона, измеренного на нескольких станциях, или оцениваются по разным показателям. Общей практикой (независимым подходом) является разработка независимого классификатора для каждой предсказанной переменной класса; однако этот подход не учитывает зависимости между переменными класса. Путем надлежащего моделирования таких зависимостей можно повысить точность прогнозов. Мы решаем эту проблему, создавая классификатор с несколькими метками, которые одновременно предсказывают множественные переменные загрязнения воздуха. С этой целью мы разрабатываем классификатор с несколькими метками на основе байесовских сетей и изучаем его структуру посредством структурного обучения. Мы представляем эксперименты в трех различных тематических исследованиях, касающихся прогнозирования PM2.5 и озона.

Заключение

В ходе работы была исследована геоинформационная система мониторинга и прогнозирования загрязнения атмосферного воздуха различными источниками.

Исследована и разработана методика оценивания периода временного ряда дискретного представления непрерывной функции концентраций выбросов, будут определены основные функциональные подсистемы и их взаимосвязи. Проанализировано программное обеспечение, необходимое для обеспечения работы автоматизированной системы мониторинга. Благодаря применению технологий искусственной нейронной сети, будут разработаны алгоритмы автоматизированной обработки и прогнозирования экспериментальных временных рядов. Будет разработан комбинированный алгоритм прогнозирования значений временных рядов, обеспечивающий повышенную точность прогноза даже при длительной экстраполяции. На основе разработанных алгоритмов автоматизации сбора, обработки и представления данных, структурной схемы и разработанного программного обеспечения, будет создана распределенная автоматизированная система мониторинга загрязняющих выбросов промышленных производств радиотехнического профиля.

Исследованы варианты систем предсказания, основанных на искусственных нейронных сетях. Результаты восстановления временных рядов должны демонстрируют высокую точность прогноза. Будет создана геоинформационная система, интегрированная в автоматизированную систему мониторинга, с помощью которой возможно представление в виде изображений на карте локальной местности распространения загрязняющих выбросов в виде изолиний.

Требование повышения безопасности населения и территории, охраны окружающей среды сегодня может быть достигнуто лишь путем включения в единую сквозную технологическую линию «сбор оперативных данных - обработка данных - комплексный анализ и моделирование в среде ГИС - подготовка отчетов», в дополнение к данным Казгидромета, тематических продуктов современных спутниковых систем и данных численных моделей прогноза. Это стимулировало проведение исследований по разработке геоинформационных технологий оперативного мониторинга окружающей среды территории и прогнозирования источников природных ЧС

Список литературы:

1. Harmens H. and Mills G. (Eds.) Air Pollution: Deposition to and impacts on vegetation in (South)-East Europe, Caucasus, Central Asia (EECCA/SEE) and South-East Asia. Report prepared by ICP Vegetation, March 2014. ICP Vegetation Programme Coordination Centre, Centre for Ecology and Hydrology, Bangor. UK. — 2014. — 72 p.
2. Н. Кутовский, А. Нечаевский, Г. Ососков, А. Ужинский, М. Фронасьева. Облачная платформа управления данными биомониторинга проекта Комиссии ООН по воздуху Европы ICP VEGETATION // Геоинформатика. — 2017. — № 2. — С. 11–16. ISSN 1609-364.
3. Н.А. Балашов, А.В. Баранов, В.В. Кореньков, Н.А. Кутовский, А.В. Нечаевский, Р.Н. Семенов. Облачный сервис ОИЯИ: статус и перспективы. Труды Института системного программирования РАН -2015. Т. 27, № 6. -С. 315–353.
4. Collobert, R.; Weston, J. A unified architecture for natural language processing: Deep neural networks with multitask learning. In Proceedings of the 25th International Conference on Machine Learning, Helsinki, Finland, 5–9 July 2008.
5. Fan, J.; Gao, Y.; Luo, H. Integrating concept ontology and multitask learning to achieve more effective classifier training for multilevel image annotation. IEEE Trans. Image Process. 2008, 17, 407–426.
6. Widmer, C.; Leiva, J.; Altun, Y.; Rätsch, G. Leveraging sequence classification by taxonomy-based multitask learning. In Annual International Conference on Research in Computational Molecular Biology; Springer: Berlin/Heidelberg, Germany, 2010.