CC BY
116
Chistyakov Alexander Evgenjevich
E-mail: cheese_05@mail.ru.
Phone: +78634371606.
The Department of Higher Mathematics; Assistant.
Khachunts Dianna Samvelovna E-mail: diana-hachunts@mail.ru.
Phone: +79287786737.
Postgraduate Student.
УДК 681.3.06:502.504
B.K. Гадельшин, Ю.А. Мещерякова, Т.И. Погорелова
ПРОГНОЗИРОВАНИЕ КОНЦЕНТРАЦИЙ ВРЕДНЫХ ВЕЩЕСТВ В ВОЗДУШНОЙ СРЕДЕ ПО СТАТИСТИЧЕСКИМ ДАННЫМ
Рассматривается задача контроля и оперативного прогнозирования состояния воздушной среды на основе статистических данных по выбросам загрязняющих веществ автотранспортом в экологически проблемных местах г. Таганрога. Предлагается программный комплекс, включающий базу данных измерений и программное обеспечение, осуществляющий группировку данных на основе алгоритмов кластеризации, реализующий процедуру оперативного прогнозирования концентрации вредных веществ в атмосфере при заданных параметрах методами распознавания образов. Приводятся примеры кон.
Прогнозирование; кластеризация; автомобильные выбросы; загрязнение атмосферы;
.
V.K. Gadelshin, J.A. Meshcheryakova, T.I. Pogorelova
THE FORECASTING PROCEDURE THE CONCENTRATION OF HARMFUL
SUBSTANCES INTO THE ATMOSPHERE OF STATISTICAL DATA
This is a study of air pollution harmful emissions from vehicles. It addresses the problem of organizing the procedure of forecasting the use of an environmental database, formed according to the results of field experiments. In the grouping of data carried out on the basis of algorithms for clustering, using the method of pattern recognition is implemented forecasting procedure the concentration of harmful substances into the atmosphere during the given parameters, the forecast is implemented in a software package, generate verification program, performed control calculations.
Forecasting procedure; clustering; emissions from vehicles; air pollution; of pattern recognition.
Одной из главных экологических проблем в городах является высокий уровень загрязнения воздушной среды. Основные источники выбросов вредных, загрязняющих атмосферу веществ - автотранспорт и промышленные предприятия. Например, в 2009 г. на долю автотранспорта в г.Таганроге приходилось 79,1 % от общего объема выбросов загрязняющих веществ, а по данным УГИБДД ГУВД по Ростовской области количество автомобилей в Таганроге с 35 тысяч в 2001 г. к 2010 г. увеличилось до 61 тысячи. Вблизи транспортных магистралей с интенсивным движением при неблагоприятных метеоусловиях и заторах содержание вредных примесей в воздухе значительно превышает допустимый уровень.
Сложность проведения регулярных трудоемких натурных экспериментов для оперативной и долговременной оценки и прогнозирование состояния воздушной
среды приводит к необходимости применения вычислительных экспериментов методами математического моделирования и обработки статистических данных.
В данной работе предлагается метод и программный комплекс, позволяющие на основе статистических данных по выбросам загрязняющих веществ автотранспортом в экологически проблемных местах г.Таганрога, выполнять оперативный прогноз концентрации вредных веществ в атмосфере при заданных метеорологических условиях и составе транспортного потока.
Для оперативного прогноза концентрации загрязняющих веществ разработан алгоритм, состоящий из следующих процедур: создание базы данных, выборка данных из БД по точечным и интервальным запросам; выявление решающих параметров; нормализация данных; классификация замеров по месту и метеоусловиям; группирование замеров на основе алгоритмов кластеризации; выявление принадлежности исходной точки к тому или иному кластеру; формирование прогноза , .
Исходными данными являются замеры концентрации загрязняющих веществ , , месту и времени проводимых измерений, выполняемых ФГУЗ «Центр гигиены и эпидемиологии» в г.Таганроге в течение более десяти лет. Они позволяют характеризовать обстановку в городе в целом, а также служат для всестороннего анализа оценок и прогнозов. Пример исходных данных приведен в табл. 1.
Таблица 1
Перекресток: Александровская - Гоголевский Дата: 12.04.05 Время: 910 -1045
Тип машин Кол-во Метеоусловия
Г рузовые + диз. 36 Давление 756
Легковые 620 T сух 14
Дизельные T влаж 14
Автобусы 10 Влажность 60
Мотоциклы Напр. ветра Ю-3
Трактора Скорость 2-3
Маршрутки 64 Облачность Переменная облачность
Газы Пробы Норма
NO2 0,02 0,02 0,08 0,02 0,085
SO2 0,04 0,04 0,04 0,04 0,5
Форм 0,01 0,01 0,01 0,01 0,035
Сажа 0,025 0,025 0,025 0,025 0,15
Озон 0,001 0,004 0,002 0,002 0,16
CO 3,0 1,0 3,0 2,0 5,0
На основе анализа исходных данных и различных СУБД для поддержки программного комплекса используется: Microsoft SQL Server 2008 R2 Express (для базы данных) и Microsoft Visual Studio Express 2010 (дня программного продукта) (рис. 1).
Импорт данных из БД в программу осуществляется с помощью стандартных функций ADO.NET. Решающими параметрами выбраны: место проводимых изме-( -стности и застройка); тип погоды; температура; давление; скорость ветра; количество машин по типам.
s0
Рис. 1. Состав и структура базы данных
Общий вклад загрязняющих веществ, вносимых каждым элементом, определяется расчетным путем с использованием коэффициентов, полученных с применением методики, изложенной в [9]. При разных значениях коэффициентов проведена верификация базы данных и выбраны те, для которых получено наименьшее расхождение между исходными и прогнозируемыми значениями концентраций. Подобная практика использования коэффициентов встречается в работах [1], в которых оценивалось влияние каждого метеопараметра на степень загрязнения, и полученные результаты использовали для составления прогноза загрязнения.
После нормализации данные представляются в удобном для использования
.
Результатом нормализации является модель данных, которую легко поддер-, . случае все замеры для типов автомобилей находятся на некотором отрезке [а,Ь],
который нормализуется в [0,1], и значение х £[а,Ь] вычисляется по формуле
х-а
Х1 = — х1 е[°,1].
Кластерный анализ - задача разбиения множества замеров на подмножества, называемые кластерами, так, чтобы каждый кластер состоял из схожих объектов (замеров), а объекты разных кластеров существенно отличались. Кластер-группа , ,
- .
зависит от параметров: критерия «похожести» элементов (после нормализации данные-замеры представляются в виде точек в евклидовом пространстве с набором координат-параметров, критерий похожести - это сходство координат, т.е. насколько близко в пространстве находятся точки); используемой метрики ё, измеряющей расстояние между векторами-образами (пространство является евклидовым, метрику вычисляем стандартно); оцениваемого числа кластеров (оптимальное число кластеров ориентировочно предполагается равным 6, что основывается на исходном количестве замеров); наличия нетипичных элементов (т.е. , ).
Задача кластеризации формулируется следующим образом. Дана обучающая выборка - множество всех замеров П = {хь...,хп}. Требуется найти такую функцию кластеризации £ которая каждой точке (замер с решающими парамет-
) х -
г € Ъ из множества меток Ъ = {г1,.,гп}. Обучающая выборка, используя один из
,
полученных классов по месту измерения и подклассов типа погоды.
Анализ алгоритмов кластеризации показывает, что для решения данной задачи рационально использовать максиминный алгоритм, поскольку он прост для , ( алгоритмом к-теаш). На рис. 2 приведен пример кластеризации.
1. В качестве первого центра кластера выбирается элемент с1 = х1 .
2. Вторым центром кластера выбирается тот элемент с2 = Х]2, который нахо-
с1, . . .
3. Предположим, что выбраны к центров С(к) ={сь...,ск} кластеров. В качестве очередного (к+1) -го центра кластера выбирается тот элемент х)к+1 , который находится на наибольшем расстоянии от ближайшего из центров сь...,ск ( . 2), . .
.
4. Проверяется условие останова (число полученных кластеров равно шести).
Рис. 2. Определение центров кластеров и относящихся к ним элементов (с1, с2, с3 - центры кластеров)
Данные о концентрации примеси и относящиеся к ним ситуации группиру-, 6 ( ) ,
( - 6),
( - 3 ). -
ми-характеристиками Х{ = (Хй, Х{2,..., Хи ), ;=1,2,.. .,п. Для группы, состоящей из
М| ситуаций, определяются центр тяжести ьй характеристики X; и средняя дис.
Например, для 1-го кластера
Для каждой из групп выделяется по одному вектору-характеристике таким , . При разбиении совокупности на два кластера (т=2) выбираются два вектора-представителя с минимальной близостью между ними, т.е. определяются номера
I*, ] *, из условия: ОС.».. = т;пОС-, где (%■■ - числа, характеризующие подобие и 1 ■ ., ] 1
определяющиеся формулой
1
аи =----------------.
II XJ - X II
При т=3 к двум уже выбранным векторам У, У2 добавляется третий вектор У3 = Хк,, где к' выбирается из условия
которое позволяет выбрать третий вектор с наименьшей степенью близости совокупности первых двух.
Если уже выбраны т-1 векторов У1,У2,...,Ут_1, то вектор Ут выбирается из оставшихся векторов-характеристик Х{ по условию
тах{ а(Ут,У1), а (Ут ,У2),..., а (Ут, Ут_1)} = = т1итах{а(х1,У1), а(х^,У2),..., а(х1,Ут_1)}.
/
/ » 1 ъ *1 \
* С, у ( с, * у,
Гг ) —г * С2 )
Рис. 3. Кластеры Распределение на кластеры заканчивается, если
тах11 У- _ У- Р£,
где £ - достаточно малое число.
, -можные метеорологические ситуации, то прогноз методом распознавания образов
( ),
близки к «прогнозируемой». В основе применения метода распознавания образов лежит представление о том, что большие концентрации примесей связаны с вполне определенными метеорологическими ситуациями и характером предшествующего загрязнения воздуха. Конкретный комплекс характеристик используется для определения группы, к которой можно отнести прогнозируемую ситуацию (процедура «обучения»). Для каждой конкретной ситуации, характеризуемой в фазовом пространстве точкой у с координатами у1(у2 ■■■Уы, определяется расстояние до центра тяжести кластера:
Р? =21М=1(^)2.
Аналогично находится расстояние до остальных групп.
у , . -
лее считается средняя концентрация каждого вещества, характерного для данного :
Е”=1^
X = —-------,
п
где п - количество элементов в кластере, х- - концентрация вещества.
Чтобы убедиться в том, что программа работает корректно, проведен ряд вычислительных экспериментов. Из БД случайным образом извлекается замер, который задается в качестве прогнозируемой ситуации, и далее сравниваются прогнозируемая концентрация и исходные данные.
:
В качестве прогнозируемой ситуации вводится существующий замер, удаленный из базы (рис. 4). Работа программы отражена на рис. 4-6.
Рис. 4. Параметры прогнозируемой ситуации
Рис. 5. Кластер, к которому отнесена прогнозируемая ситуация
Маіп\МіпсІо\л/’ |—сд—1|—(~3 ||иЕИ^|
Прогнозирование
Название Значение Норма
СО 7.184 5
Мп 0.0001 0.01
N02 0.0093 0.085
РЬ 0.0002 0.001
502 0.1307 0.5
Бензин 2.2724 5
Озон 0.0163 0.16
Пыль 0.3453 0.5
Сажа 0 0.15
Формальдегид 0.0231 0.035
Заново
і і
Рис. 6. Прогнозируемая концентрация веществ для заданных условий
Вещество N02 Б02 Форма л ьдегид СО
Значен ие 0 0,12 0,029 7,5
пдк 0,085 0,5 0,035 5
Рис. 7. Исходные данные по концентрации вредных веществ при заданных
условиях
На рис. 6 и 7 результаты для сравнения: прогнозируемая концентрация близка к действительной. Проверка показала, что 11 из 15-ти замеров совпали по оценке (отклонение до 5 %) с тем прогнозом, что рассчитан программным комплексом, а интервал разброса для оставшихся 4-х замеров составляет от 18 до 25 %, что свидетельствует о достаточно успешной работе программного комплекса.
На основе полученной прогнозированием концентрации можно контролировать ситуацию загрязнения на автотранспортных магистралях.
Программный комплекс позволяет делать прогноз концентрации вредных веществ в воздушной среде в городских условиях и может использоваться в экологических службах, в частности в «Центре гигиены и эпидемиологии в Ростовской области».
Для повышения эффективности работы программного комплекса в дальней-
« ».
в данной работе результаты подтверждают возможность построения таких схем на базе методов распознавания образов.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Берлянд М.Е. Прогноз и регулирование загрязнения атмосферы. - Л.: Гидрометеоиздат, 1985. - 271 с.
2. « . . . -
грязнения воздуха». РД 52.04.306-92
3. Генихович ЕМ., Сонькин Л.Р., Гущин В.А. О возможности прогноза загрязнения городского воздуха методом распознавания образов // Труды ГГО, 1969. - Вып. 238.
4. Интернет-ресурс: www.taganrog.su.
5. Интернет-ресурс: wikipedia.ru.
6. Петрова B.C. Диссертация по геоэкологии «Диагноз и прогноз уровня загрязнения атмосферы», интернет-ресурс www.nauka-shop.com.
7. Лепский А.Е., Броневич АТ. Математические методы распознавания образов: Курс лекций. - Таганрог: Изд-во ТТИ ЮФУ, 2009. - 155 с.
8. Авдеева Т.П. Расчет выброса загрязняющих веществ: Учеб. пособие. - Пенза, 1997. - 87 с.
9.
городских магистралях. - М.: НИИАТ, 1997. - 54 с.
10. . . -ры. - J1.: Гидрометеоиздат, 1975. - 448 с.
11. Семен ченко Б А., Белов П.Н. Метеорологические аспект ы охраны природной среды. - M.: Изд-во МГУ, 1984. - 96 с.
12. Назаров КМ., Николаев AM., Фридман Ш.Д. Основы дистанционпых методов мониторинга загрязнения природной среды. - J1.: Г идрометеоиздат, 1983. - 213 с.
13. Беккер А.А., Агаев ТБ. Охрана и контроль загрязнения природной среды. - J1.: Г идрометеоиздат, 1989. - 67 с.
14. Метеорологические аспекты загрязнения атмосферы // Сб. докладов на международном симпозиуме в Ленинграде / Под ред. Берлянда М.Е. - Л.: Гидрометеоиздат, 1971. - 51 с.
Статью рекомендовал к опубликованию д.т.н., профессор Н.Н. Чернов.
Гадельшин Валерий Камельянович
Технологический институт федерального государственного автономного образовательного учреждения высшего профессионального образования «Южный федеральный университет» в г. Таганроге.
E-mail: valikam@gmail.com.
347928, г. Таганрог, пер. Некрасовский, 44.
Тел.: 88634371606.
Кафедра высшей математики; к.т.н.; доцент.
Мещерякова Юлия Александровна E-mail: life-super@yandex.ru.
Тел.: +79043464554.
Кафедра высшей математики; бакалавр.
Погорелова Татьяна Ивановна
Тел.: +79185947452.
Кафедра высшей математики; бакалавр.
Gadelshin Valeriy Kamelianovich
Taganrog Institute of Technology - Federal State-Owned Autonomy Educational Establishment of Higher Vocational Education “Southern Federal University”.
E-mail: valikam@gmail.com.
44, Nekrasovskiy, Taganrog, 347928, Russia.
Phone: +78634371606.
The Department of High Mathematic; Cand. of Eng. Sc.; Associate Professor.
Meshcheryakova Julia Aleksandrovna
E-mail: life-super@yandex.ru.
Phone: +79043464554.
The Department of High Mathematic; Bachelor.
Pogorelova Tatiana Ivanovna Phone: +79185947452.
The Department of High Mathematic; Bachelor.
