CC BY
13
УДК 551.502.912.4
ГЕОИНФОРМАЦИОННАЯ СИСТЕМА ПЛАНИРОВАНИЯ ЭКСПЕРИМЕНТА И АНАЛИЗА ДАННЫХ ПРОЦЕССОВ АТМОСФЕРНОГО ЗАГРЯЗНЕНИЯ
Руслана Александровна Амикишиева
Новосибирский национальный исследовательский государственный университет, 630090, Россия, г. Новосибирск, ул. Пирогова, 1, студент, e-mail: ruslana215w@mail.ru
Татьяна Владимировна Ярославцева
ФБУН Новосибирский НИИ гигиены, 630108, Россия, г. Новосибирск, ул. Пархоменко, 7, кандидат технических наук, старший научный сотрудник, e-mail: tani-ta@list.ru
Владимир Федотович Рапута
Институт вычислительной математики и математической геофизики СО РАН, 630090, Россия, г. Новосибирск, пр. Академика Лаврентьева, 6, доктор физико-математических наук, главный научный сотрудник, e-mail: raputa@sscc.ru
Представлена геоинформационная система численного анализа данных наблюдений атмосферного загрязнения. Предложены методы построения D-оптимальных планов, модели реконструкции полей концентраций и оценивания суммарных выпадений примесей. Осуществлена программная реализация алгоритмов и интеграция с Google Maps. Созданная программа позволяет численно восстанавливать и визуализировать на карте поля загрязнения, моделировать оптимальные планы эксперимента и оценивать суммарные выпадения.
Ключевые слова: атмосфера, источник примеси, ГИС-технологии, геоинформационная система, Google карты, данные мониторинга, обратная задача, численное моделирование.
GEOINFORMATION SYSTEM OF EXPERIMENT PLANNING AND ANALYSIS OF ATMOSPHERIC POLLUTION PROCESSES
Ruslana A. Amikishieva
Novosibirsk National Research State University, 1, Pirogova St., Novosibirsk, 630073, Russia, Student, e-mail: ruslana215w@mail.ru
Tatyana V. Yaroslavtseva
FBSI «Novosibirsk Scientific Research Institute of Hygiene» of Rospotrebnadzor, 7, Parkhomenko, Novosibirsk, 630108, Russia, Ph. D., Senior Researcher, e-mail: tani-ta@list.ru
Vladimir F. Raputa
Institute of the Computational Mathematics and Mathematical Geophysics SB RAS, 6, Prospect Аkademik Lavrentiev St., Novosibirsk, 630090, Russia, D. Sc., Chief Researcher, e-mail: raputa@sscc.ru
Geoinformation system of quantitative analysis of atmospheric pollution observations was executed. Methods to D-optimal plan project, models to estimate total precipitated impurity and reconstruct concentration fields used by the system are offered. The algorithms work implemented with program and integrated with Google Maps. The system restores and visualizes contamination fields on Google Map gradually, constructs optimal experience plan and evaluates total precipitated impurity.
Key words: atmosphere, impurity source, GIS technologies, geoinformation system, Google Maps, monitoring data, inverse problem, numerical simulation.
Введение
В настоящее время экологические проблемы порождают повышенный интерес к активным исследованиям и выработке новых решений. Многопараметрический характер атмосферных процессов, состава примесей, структуры источников загрязнения воздуха указывает на необходимость комплексных решений по оценке и прогнозу состояния окружающей среды [1-5]. В связи с этим возникает потребность в создании информационных систем, способных всесторонне анализировать данные наземного и спутникового мониторинга загрязнения. Целью исследования является разработка программы для численного анализа данных мониторинга атмосферного загрязнения территорий. Для построения системы следует использовать малопараметрические модели оценивания процессов загрязнения и методы численного построения оптимальных планов эксперимента [6-10]. Необходима, также, формулировка требований к информационной системе, проектировка ее архитектуры и осуществление программной реализации [11-17].
Функциональность разрабатываемой системы включает: реконструкцию полей концентраций от источника выбросов, оценку суммарных выпадений примесей, построение оптимального плана по размещению точек отбора проб. В программе используются данные наблюдений наземного мониторинга, параметры источника, информация о текущих метеорологических и климатических условиях. Построение моделей реконструкции осуществляется методами постановок обратных задач переноса примеси в атмосфере, что позволяет установить компромисс между модельными описаниями процессов и данными мониторинга [6, 8].
Материалы и методы исследования
Модель численной реконструкции поля длительных выпадений примеси от монодисперсного аэрозольного источника имеет вид [6]:
С(г, ц), §) = в1гв*ехр f^f^Piy + 180°) . (1)
Здесь г - расстояние от источника (км), гтах - константа (км), которая определяется эффективной высотой источника, и её оценка, согласно [3], может составлять 15-20 высот источника, в1,в2 - агрегированные параметры, зависящие от метеорологических условий приземного слоя атмосферы, средней скорости оседания аэрозольных частиц, мощности и эффективной высоты источника. Для оценки 0i,02 используется метод наименьших квадратов и данные наблюдений в опорных точках.
Повторяемость направлений ветра Р(^) обычно задаётся в табличном виде по 8-ми или 16-ти румбам. Для её непрерывного описания между румбами ис-
пользуется линейная интерполяция по углу Ц). Приведенная зависимость (1) позволяет оценить поля концентрации монодисперсной примеси в заданном радиальном направлении от источника.
В случае примеси грубого полидисперсного состава используется модель реконструкции следующего вида:
= , (2)
где С (г, б) = г52 ехр^-^, г - расстояние от источника (км), ^ >0, б2 >0, 53>0.
Параметры б2, 53 являются агрегированными величинами, зависящими от высоты и мощности источника, характеристик дисперсного состава, типичных метеоусловий.
В случае кольцеобразной области О расчёт суммарных выпадений примеси разнородного дисперсного состава с учётом выражения (2) проводится по формуле:
Qsum = /(Г • 6 (Г, 52,53)Г^Г. (3)
Соотношение (3) позволяет существенно упростить вычисление суммарных выпадений пыли в различных областях и оптимизировать количество точек отбора проб.
При условии стационарности аэрозольных выбросов примесей от источника и известной зимней розе ветров оценивание суммарных выпадений можно провести с использованием двух-трёх опорных точек наблюдений. С учётом соотношения (1) расчёт суммарных выпадений монодисперсной примеси проводится по формуле, аналогичной (3):
Qsum = • Г!2 £(г, 52,53)ГЙГ. (4)
и Уо "1
Для размещения точек отбора проб используются методы теории оптимального эксперимента [9, 10]. Под планом эксперимента подразумеваем множество £ такое, что:
ИШй , (5)
где - точки, в которых проводились измерения, С^ - плотность распределения измерений в этих точках.
Пусть С(г, в) - концентрация примеси.
Рассмотрим Б-оптимальные планы [10], максимизирующие определитель информационной матрицы = F • Fт, где F = \\А(г, в),... ,[т(г, 0)||,
/¿(г, в)= тгЛ — 1,т , Т- операция транспонирования матрицы.
Алгоритм построения локально-оптимального плана состоит из следующих этапов [10]:
1. Проведено N — 1 наблюдение по невырожденному плану
\M(£N_1,§N)\ * 0.
2. Определяется точка xN такая, что
d(<xN,£N_1,6N^ = maxXEQd(x, где d(x,£N_1,eN) = fT(x,e)^M-1 •f(x,§)L * .
f-ÜN-l
В точке xN выполняется дополнительное наблюдение yN = C(_xN).
3. Проводим МНК-оценку 6N по ^наблюдениям, согласно плану
£N — + JJ£(xN).
Цикл с 1-го по 3-й пункт повторяется до тех пор, пока \M~1(£n,6n)\/N > с, где c - некоторая заданная константа.
При разработке программы использовалась библиотека JAMA (англ. Java Matrix Library), представляющая собой наиболее полный контейнер функций и задач численной линейной алгебры. Программное обеспечение создано и выпущено как общественное достояние совместно американской компанией The MathWorks и Национальным институтом стандартов и технологий (NIST) [15].
Используемая в работе версия JAMA включает в себя шесть Java-классов: Matrix, CholeskyDecomposition, LUDecomposition, QRDecomposition, SingularValueDecomposition и EigenvalueDecomposition. В их функционал входит соответственно:
• базовые математические операции с матрицами, нахождение детерминанта матрицы, собственных значений и векторов;
• разложение Холецкого;
• LU-разложение матрицы;
• QR-разложение матрицы;
• сингулярное разложение;
• обращение матриц.
Для написания кода использовалась интегрированная среда разработки IntelliJ IDEA для языка программирования Java, созданная компанией JetBrains.
Результаты и обсуждения
Разработанная геоинформационная система осуществляет численный анализ процессов загрязнения окрестностей источника промышленных выбросов, используя моно- и полидисперсные модели оценивания полей концентраций примеси по данным наблюдений. Система была апробирована на данных мони-
торинга загрязнения снежного покрова в 2013 и 2017 гг. в окрестностях Иски-тимского цементного завода.
Система включает в себя несколько модулей. В первом производится численная реконструкция с последующей визуализацией и наложением на Google-карту полей газо-аэрозольного загрязнения окрестностей источника выбросов.
На рис. 1 представлен интерфейс для ввода параметров источника, таких как геометрическая высота источника, внутренний диаметр трубы, средняя скорость ветра, средняя температура и т.д. На основе сформированных данных вычисляются эффективная высота источника и константа Гтах, необходимая при восстановлении поля концентраций примеси по монодисперсной модели. На рис. 2 приведена графическая реализация розы ветров по 16-ти румбам для зимнего периода времени, в котором преобладают ветра южного и юго-западного направления.
Рис. 1. Пользовательский интерфейс для ввода параметров источника
Рис. 2. Интерфейс для ввода розы ветров по 16-ти румбам
В этап подготовки экспериментальных данных для моно- и полидисперсной моделей реконструкции входит:
• получение предварительной оценки по рациональному размещению точек отбора проб и направления маршрута пробоотбора (функции модуля планирования);
• ввод результатов физико-химических исследований в опорных точках наблюдений (рис. 3).
В модуле планирования реализован алгоритм построения Б-оптимального плана размещения точек отбора проб относительно источника выбросов. В качестве входных данных алгоритму необходима первичная оценка параметров модели или значения концентрации примеси в нескольких (от 2-х до 3-х) точках, чтобы провести эту начальную оценку. На выходе функция модуля выдаёт оптимальные координаты точек отбора проб по выбранному направлению относительно источника примеси.
а
Рекомендации по выбору расстояний от источника выброса до точек отбора снеговых проб
Рекомендации по выбору расстояний от источника выброса до точек отбора снеговых проб
1-я точка прабоо-бора
2-я точка прсбоо~борэ Расстояние между 1-? и 2-й
Задание маршрута точек и пробоотбора (ввод данных измерений):
Расстояние от пробоотбора (км>
в пробах (г/м2) 2.06 2.00
1-й точке пробоотбора
2-я точка пробоо-бпра
3-я точка пробоотбира Расстояние между 1-й и 2-й
Расстояние между 2-й и з-Р
Задание маршрута точек и пробоотбора (ввод данных измерений):
Рис. 3. Размещение точек отбора проб в моно- (а) и полидисперсном (Ь) случаях
В отдельном окне показана графическая реализация численно реконструированного поля концентраций выпадения моно- и полидисперсной примеси с соответствующей гео-привязкой (рис. 4). Построенные диаграммы дают наглядное представление полей концентраций примеси в области 10км X 10км вокруг источника загрязнений (в данном случае цементного завода). Максимумы концентраций расположены в северо-восточном секторе, что обусловлено заданной розой ветров. Пространственная динамика изменения концентраций соответствует характеристикам распределений дисперсного состава выбрасываемой примеси.
а) Ь)
Рис. 4. Численно восстановленные поля выпадений моно- (а) и полидисперсной (Ь) примеси
В последнем модуле системы на основе восстановленных полей загрязнения производится расчет суммарной оценки выпадений примеси в радиальных, относительно источника, областях (рис. 5).
2
Рис. 5. Оценка выпадений на единицу площади (г/м ) и суммарных выпадений примеси (т) по полидисперсной модели
Также в данном модуле реализованы функции расчёта среднесуточных выпадений примеси в указанной точке, положение которой фиксируется в полярных координатах с центром в источнике, а также суммарных выпадений в радиальных областях.
Оценка выпадений примеси на единицу площади позволяет судить о степени соответствия уровней загрязнения санитарно-гигиеническим нормативам. Определение суммарных выпадений создает возможности для внешнего контроля допустимых выбросов предприятия.
Заключение
Разработана геоинформационная система, которая предназначена для численного анализа данных мониторинга в окрестностях точечного источника выбросов моно- и полидисперсной примеси. Система базируется на малопараметрических моделях и методах оценивания полей концентраций. В основу модуля планирования положены численные алгоритмы последовательного анализа и планирования эксперимента. Функции программы позволяют:
• провести реконструкцию полей газового и аэрозольного загрязнения окрестностей источника выбросов вредных примесей;
• получить оценку суммарных выбросов примеси в окрестности источника;
• построить оптимальный план эксперимента: размещение точек отбора проб относительно источника примесей.
Следует отметить, что для корректной работы программы необходим сравнительно небольшой объём данных наблюдений.
Представленная разработка может быть использована для контроля полей концентраций выпадений в окрестности источника и оценивания суммарных выбросов предприятий. Она также может входить в качестве отдельного приложения в методические рекомендации.
Работа выполнена при поддержке РФФИ (грант № 17-47-540342).
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Марчук Г.И. Математическое моделирование в проблеме окружающей среды. - М.: Наука, 1982. - 320 с.
2. Бызова Н. Л., Гаргер Е. К., Иванов В.Н. Экспериментальные исследования атмосферной диффузии и расчеты рассеяния примеси. - Л.: Гидрометеоиздат, 1991. - 279 с.
3. Берлянд М.Е. Прогноз и регулирование загрязнения атмосферы. - Л.: Гидрометеоиз-дат, 1985. - 272 с.
4. Методы расчетов рассеивания выбросов вредных (загрязняющих) веществ в атмосферном воздухе // Утверждены приказом Минприроды России от 06.06.2017 № 273. - 70 с.
5. Щербатов А.Ф., Рапута В.Ф., Турбинский В.В., Ярославцева Т.В. Оценка загрязнения атмосферного воздуха пылью по данным снегосъёмки на основе реконструкции полей выпадений // Анализ риска здоровью. - 2014. - № 2. - С. 42-47.
6. Рапута В.Ф. Модели реконструкции полей длительных выпадений аэрозольных примесей // Оптика атмосферы и океана. - 2007. - Т. 20, № 6. - С. 506-511.
7. Бортникова С.Б., Рапута В.Ф., Девятова А.Ю., Юдахин Ф.Н. Методы анализа данных загрязнения снегового покрова в зонах влияния промышленных предприятий // Геоэкология. Инженерная геология. Гидрогеология. Геокриология. - 2009. - № 5. - С. 447-457.
8. Рапута В.Ф., Шлычков В.А., Леженин А.А., Романов А.Н., Ярославцева Т.В. Численный анализ данных аэрозольных выпадений примесей от высотного источника // Оптика атмосферы и океана. - 2014. - Т. 27, № 08. - С. 713-718.
9. Успенский А.Б., Федоров В.В. Планирование эксперимента в некоторых обратных задачах математической физики // Кибернетика. - 1974. - № 4. - С. 123-128.
10. Федоров В.В. Теория оптимального эксперимента. - М.: Наука, 1971. - 312 с.
11. Weaver J., Gao W., Chin S., Iverson D., Vos J. Pro JavaFX 8: A Definitive Guide to Building Desktop, Mobile, and Embedded Java Clients. - 1st ed. - New York: Apress, 2014. - 616 p.
12. Heckler M., Grunwald G., Pereda J., Phillips S. - 2nd ed. - JavaFX 8: Introduction by Example. - New York: Apress, 2014. - 420 p.
13. Crockford D. JavaScript: The Good Parts. - 1st ed. - O'Reilly Media / Yahoo Press, 2008. - 172 p.
14. Pilgrim M. HTML5: Up and Running. - 1st ed. - Sebastopol: O'Reilly Media, 2010. - 222 p.
15. JAMA: A Java Matrix Package // NIST - National Institute of Standards and Technology URL: https://math.nist.gov/javanumerics/jama/ (дата обращения: 15.03.2018).
16. Sutton T., Dassau O., Sutton M. A Gentle Introduction to GIS // Documentation QGIS 2.8. 2009. URL: https://docs.qgis.org/2.8/en/docs/gentle_gis_introduction/ (дата обращения: 03.02.2018)
17. Документация // Google Maps APIs URL: https://developers.google.com/maps (дата обращения: 24.01.2018).
О Р. А. Амикишиева, Т. В. Ярославцева, В. Ф. Рапута, 2018
