Средства мониторинга, моделирования и прогнозирования концентрации загрязнений городской воздушной среды микрочастицами
Работая с нашим сайтом, вы даете свое согласие на использование файлов cookie. Это необходимо для нормального функционирования сайта, показа целевой рекламы и анализа трафика. Статистика использования сайта отправляется в «Яндекс» и «Google»
Научный журнал Моделирование, оптимизация и информационные технологииThe scientific journal Modeling, Optimization and Information Technology
cетевое издание
issn 2310-6018

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

Вялова Е.П.   Квашнина Г.А.   Федянин В.И.  

УДК 614.715: 614.78
DOI: 10.26102/2310-6018/2023.41.2.008

  • Аннотация
  • Список литературы
  • Об авторах

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.

Вялова Екатерина Павловна
кандидат технических наук

Воронежский государственный технический университет

Воронеж, Российская Федерация

Квашнина Галина Анатольевна
кандидат технических наук, Доцент

Воронежский государственный технический университет

Воронеж, Российская Федерация

Федянин Виталий Иванович
доктор технических наук, Профессор

Воронежский государственный технический университет

Воронеж, Российская Федерация

Ключевые слова: качество воздуха, микрочастицы PM2.5, машинное обучение, модели регрессии, датчик SDS011, прогнозирование

Для цитирования: Вялова Е.П. Квашнина Г.А. Федянин В.И. Средства мониторинга, моделирования и прогнозирования концентрации загрязнений городской воздушной среды микрочастицами. Моделирование, оптимизация и информационные технологии. 2023;11(2). Доступно по: https://moitvivt.ru/ru/journal/pdf?id=1345 DOI: 10.26102/2310-6018/2023.41.2.008

149

Полный текст статьи в PDF

Поступила в редакцию 31.03.2023

Поступила после рецензирования 17.04.2023

Принята к публикации 05.05.2023

Опубликована 11.05.2023