CC BY
40
БИОХИМИЯ, БИОТЕХНОЛОГИЯ И ЭКОЛОГИЯ
УДК 681.2:543.08.089.6
Ю. А. Тунакова, С. В. Новикова, Е. С. Мухаметшина
РАЗРАБОТКА ТЕХНОЛОГИИ РАСЧЕТНОГО ЭКОЛОГИЧЕСКОГО МОНИТОРИНГА НА ТЕРРИТОРИИ ИНТЕНСИВНОГО АНТРОПОГЕННОГО ВОЗДЕЙСТВИЯ
Ключевые слова: нейросетевые модели, расчет уровня загрязнения, качество атмосферного воздуха.
Описана методология проведения расчетного экологического мониторинга качества атмосферного воздуха с использованием инновационных информационных технологий и нейросетевых методов исследования.
Key words: neural network based model, calculation of pollution, air quality.
Describes the methodology of calculation of ecological monitoring of ambient air quality with the use of innovative information technology and artificial neural networks research.
целом. Наибольший и возможности
должна дать система мониторинга. Но для и эффективного
Технология и средства контроля загрязнения окружающей среды неотделимы друг от друга. Совокупность методов (способов), лежащих в основе применяемых технических средств, и последовательность операций наблюдения (измерений) показателей ОС, с их помощью осуществляемых, равнозначно необходимы для получения мониторинговой информации о
состоянии ОС и наличии в ней загрязнений, их характере, качественном составе и количественном содержании в объектах среды [1].
В настоящее время получение данных в действующей системе экспериментального экологического мониторинга имеет значительные трудности, как то ограничения по количеству данных эколого-аналитического контроля и перечню наблюдаемых компонентов, что ограничивает оперативное управление качеством объектов окружающей среды в экономический эффект использования результатов расчетного экологического оптимизации получения использования данных необходимо разработать поэтапную технологию расчетного экологического мониторинга.
Согласно современным представлениям [1-3] технология расчетного экологического мониторинга предусматривает следующие этапы: Этап 1 - Разработка и использование средств и методов наблюдения.
Этап 2 - Оценка состояния объектов мониторинга, разработку новых региональных показателей состояния для учета индивидуальных особенностей территории.
Этап 3 - Прогноз изменчивости состояния объектов мониторинга.
Этап 4 - Разработка рекомендаций для систем принятия решений.
Нами предлагается технология расчетного экологического мониторинга для территорий с высокой степенью антропогенной нагрузки, апробированной для ряда городов РТ.
По первому этапу нами предусматривается внедрение нейросетевых методов для получения мониторинговой информации расчетным путем с дифференциацией концентраций загрязняющих веществ по исследуемой территории. Для облегчения
практического применения спроектированных нами нейросетей в качестве входов предлагается использование доступных данных (статотчетности, результатов метеонаблюдений, данных инвентаризации параметров источников выбросов, фондовых материалов и др.).
По второму этапу нами предлагается в качестве новых показателей состояния использовать вероятностные характеристики, имеющие территориальную и временную специфику. Для этой цели нами предложен расчет относительного риска превышения фактического содержания загрязняющих веществ над фоновым. Использование вероятностных оценок позволяет зонировать территорию по уровню риска, складывать риски для получения интегральных показателей и комплексной экологической оценки, включающей показатели, характеризующие состояние территории интенсивного антропогенного воздействия и проживающего на ней населения.
По третьему этапу нами предлагается использовать нейронные сети для повышения точности прогноза изменчивости уровней загрязнения в таких динамичных средах, как атмосферный воздух. Для таких сред прогноз изменения отдельных характеристик и показателей классическими методами крайне затруднено. Нейронные сети представляют собой гибкую модель прогнозирования, позволяя в зависимости от входных данных перестраивать саму нейронную сеть с изменением ее топологии, что обеспечивает значительно большую сходимость рассчитываемых значений с экспериментально измеренными. Такая гибкая математическая модель автоматически корректируется на основе вводимых данных. Данный подход имеет большие перспективы в расчетном экологическом мониторинге и позволяет значительно увеличить точность расчетной оценки и прогноза.
По четвертому этапу нами предлагается использование результатов, полученных в системе расчетного экологического мониторинга для разработки управляющих воздействий в системе принятия решений. Управляющие воздействия варьируются в зависимости от задачи оперативного или превентивного управления качеством объектов окружающей среды. С целью оперативного управления разработаны подходы сокращения выбросов в периоды неблагоприятных метеорологических условий (НМУ) в зависимости от результатов зонирования территории и установления уровня антропогенной нагрузки. Для пре-
вентивного управляющего воздействия на основе нечеткого логического вывода осуществляется качественный и количественный анализ риска превышения фонового содержания в виде численных и лингвистических переменных для доступного использования системами принятия решений.
Реализация этапов предлагаемой технологии расчетного экологического мониторинга апробирована в первую очередь в отношении атмосферного воздуха:
1. Структурирование данных в единую базу в виде OLAP-куба. Просмотр и срезы OLAP-куба производить как стандартными средствами просмотра (с помощью компонента PivotTable List — элемента управления ActiveX, входящего в состав Microsoft Office Web Components), так и при помощи механизмов визуализации и территориальной привязки на основании ГИС -технологий.
2. Расчет приземных концентраций примесей с использованием спроектированной нейронной сети и получения из OLAP-хранилища данных. Построение обучающих примеров для нейронной сети в виде: сочетание метеоусловий конкретного дня - экспериментально измеренные концентрации примесей и обучение спроектированной нейронной сети на построенном обучающем множестве. Построение поля загрязнения в зависимости от заданного направления ветра.
3. Прогноз уровня загрязнения атмосферного воздуха с помощью апостериорного многосетевого эксперта с построением единого прогнозирующего персептрона для всего множества наблюдений. Разбиение множества наблюдений на кластеры и построение сети для определения каждого нового входного вектора к одному из имеющихся кластеров. Построение единого прогнозирующего персептрона для всего множества наблюдений и обучение его по методу обратного распространения с применением модифицированного метода редукции с использованием штрафной функции. Все примеры, на которых погрешность прогноза оказалась менее заданной, относились к кластеру 1. Построенный персептрон считался экспертом для кластера 1. Все остальные примеры предварительно относились к кластеру 2. Далее строился прогнозирующий персептрон для кластера 2 и учитывались все примеры, на которых достигнута указанная точность в кластере 2. Построенный персептрон считался экспертом для кластера 2. Остальные примеры предварительно относились к кластеру 3. Построение персептронов-экспертов продолжалось для каждого последующего кластера с выделением примеров, на которых указанная точность не достигнута, в новый кластер, до тех пор, пока заданная точность на очередном кластере не достигалась для всех примеров. Далее строилась вероятностная нейронная сеть для определения каждого нового входного вектора к одному из имеющихся кластеров. Для каждого из образованных кластеров,
кроме последнего, производилось доучивание экспертов без примеров, которые впоследствии были определены в другие кластеры. Применение данной методики многосетевого эксперта позволяло повысить точность прогноза в сравнении с единственным прогнозирующим персептроном в среднем в сто тысяч раз. По полученному разбиению всего множества измерений на кластеры строилась дополнительная вероятностная нейронная сеть для последующего отнесения нового входного вектора к одному из кластеров и применения к нему соответствующего пер-септрона-эксперта.
4. Разработка превентивных управляющих воздействий проводилась на основании системы нечеткого логического вывода Тагаки-Сугено. Входными переменными были нечеткое множество состояний-рисков превышения фактических содержаний над фоновыми по объектам исследования с заданными функциями принадлежности. Вид функций принадлежности - гауссианы. Линейные зависимости выходной переменной интегрального риска от нечетких значений входных переменных разрабатывались на основе экспертных оценок. Перечень нечетких логических правил вывода задавался специалистами предметной области.
В результате своего функционирования система Тагаки-Сугено генерировала четкое численное значение интегрального вероятностного риска загрязнения атмосферного воздуха. Для разработки оперативного управляющего воздействия использовались результаты зонирования территории и выделенные зоны с кризисным и критическим уровнем антропогенной нагрузки для выбора третьего режима работы в периоды НМУ. Для превентивного управления риском по результатам зонирования предлагалась программа оптимизации хозяйственного освоения территории для достижения уровня приемлемого риска включающая этапы:
- распоряжение природными ресурсами;
- регулирование планировки и застройки;
- регламентация использования земель;
- благоустройство и озеленение территории.
В промышленных зонах, уровень риска которых характеризовался как критический особо значимо исключение функционирования новых источников загрязнения атмосферного воздуха и эти зоны выделялись как приоритетные для разработки первоочередных адресных воздухоохранных мероприятий. Литература
1. Афанасьев Ю.Л.. Фомин С.Л. Мониторинг и методы контроля окружающей среды. М.: МНЭПУ. 1998.
2. Волков В.Ю. , Эдельштейн Ю.Д. Вестник МАСИ, 9, 1, 88-89 (2006).
3. Тунакова Ю.А., Шагидуллина Р.А., Новикова С.В., Шмакова Ю.А., Гоголь Э.В., Галиева А.Т. Вестник Казан. технол. ун-та, 2, 109-112 (2013).
© Ю. А. Тунакова - д-р хим. наук, профессор кафедры технологии пластических масс КНИТУ, [email protected]; С. В. Новикова - профессор кафедры прикладной математики и информатики КНИТУ-КАИ; Е. С. Мухаметшина - аспирант кафедры общей химии и экологии КНИТУ-КАИ.
© J. A. Tunakova - Doctor of Chemistry , professor of technology of plastics KNRTU, [email protected]; S.V. Novikova -Doctor Technical of Sciences, professor of the department applied mathematics and informatics KNRTU-KAI; E. S. Mukhametshina -graduate student of general chemistry and ecology of KNRTU-KAI.
