Средства мониторинга, моделирования и прогнозирования концентрации загрязнений городской воздушной среды микрочастицами

Загрязнение воздуха является одной из самых больших угроз для окружающей среды и человека. В силу метеорологических и транспортных факторов, деятельность промышленности и выбросы электростанций являются основными факторами загрязнения воздуха. Поэтому органы управления экологией сосредоточены на последствиях загрязнения воздуха, выработке правил для сведения к минимуму уровня загрязнения воздуха. Основная цель этого исследования заключается в разработке системы, использующей подход машинного обучения для прогнозирования уровня загрязнения городской воздушной среды путем анализа набора данных о загрязнителях воздуха, в частности, твердыми частицами PM2.5. Для прогнозирования использован линейный алгоритм контролируемого машинного обучения, который имеет значение среднеквадратичной ошибки RMSE, равное 31.29, и алгоритм Decision Forest Regression со значением RMSE=29.26. Система разработана на веб-платформе, доступна для мобильных телефонов, обеспечивает удобную работу пользователей, представляет им значения концентрации загрязнителей воздуха частицами PM2.5 и значения индекса качества воздуха. Значения концентрации частиц PM2.5 зависимы от других источников и фоновых уровней, что свидетельствует о важности локализованных факторов для понимания пространственно-временных моделей загрязнения воздуха на перекрестках и оказания поддержки лицам, принимающим решения в области регулирования и контроля загрязнения в городе.

1. Воздействие дисперсного вещества на здоровье человека. Записка Всемирной организации здравоохранения/Совместной целевой группы по аспектам воздействия загрязнения воздуха на здоровье человека. Женева. Доступно по: https://unece.org/fileadmin/DAM/env/documents/2012/EB/ECE_EB_AIR_2012_18_R.pdf (дата обращения: 03.04.2023).

2. Голохваст К.С., Чернышев В.В., Угай С.М. Выбросы автотранспорта и экология человека (обзор литературы). Экология человека. 2016;1:9–14.

3. Пшенин В.Н. Загрязнение воздуха мелкодисперсными частицами около автомобильных дорог. Модернизация и научные исследования в дорожной отрасли: сборник научных трудов. 2013;96–104.

4. Постановление Главного государственного санитарного врача РФ от 28.01.2021 № 2 «Об утверждении санитарных правил и норм СанПиН 1.2.3685-21 «Гигиенические нормативы и требования к обеспечению безопасности и (или) безвредности для человека факторов среды обитания». Доступно по: http://pravo.gov.ru (дата обращения: 03.04.2023).

5. РД 52.04.840-2015. Применение результатов мониторинга качества атмосферного воздуха, полученных с помощью методов непрерывных измерений. Доступно по: http://docs.cntd.ru/document/1200133380 (дата обращения: 03.04.2023).

6. Об утверждении методических рекомендаций по обеспечению качества измерений концентраций взвешенных частиц (РМ2.5 и РM10) в атмосферном воздухе Санкт-Петербурга: распоряжение Комитета по природопользованию, охране окружающей среды и обеспечению экологической безопасности Санкт-Петербурга от 20.05.2010 № 75-Р. Доступно по: http://docs.cntd.ru/document/891832021 (дата обращения: 03.04.2023).

7. Mishra A. Air Pollution Monitoring System based on IoT: Forecasting and Predictive Modeling using Machine Learning // International Conference on Applied Electromagnetics, Signal Processing and Communication (AESPC), KIIT. 2018;10. Доступно по: https://www.researchgate.net/publication/342338791_Air_Pollution_Monitoring_System_based_on_IoT_Forecasting_and_Predictive_Modeling_using_Machine_Learning (дата обращения: 03.04.2023).

8. Zhang J., Ding W. Prediction of air pollutants concentration based on an extreme learning machine: the case of Hong Kong. Int. J. Environ. Res. Public. Health. 2017;14(2):114. Доступно: https://www.mdpi.com/1660-4601/14/2/114 (дата обращения: 03.04.2023).

9. Castelli M., Clemente F.M., Popoviс A., Silva S., Vanneschi L. A Machine Learning Approach to Predict Air Quality in California. New Models, New Technologies, New Data and Applications of Urban Complexity from Spatio-temporal Perspectives. Доступно по: https://www.hindawi.com/journals/complexity/2020/8049504/ (обращения: 03.04.2023).

10. Jebamalar J.A., Kumar A.S. PM2.5 Prediction using Machine Learning Hybrid Model for Smart Health. International Journal of Engineering and Advanced Technology (IJEAT). 2019;9(1):6500–6503.