Содержание к диссертации
Введение
Глава 1. Состояние вопроса экологического мониторинга качества атмосферного воздуха 10
1.1. Ограничения существующей системы экспериментального экологического мониторинга 10
1.2. Выбор объектов для экологического мониторинга качества атмосферного воздуха
1.2.1. Выбор мониторинговых показателей 15
1.2.2. Выбор методов расчетного экологического мониторинга 17
1.3. Проведение интегральной оценки состояния объектов мониторинга 36
Глава 2. Методы исследования и результаты наблюдений 38
2.1. Результаты экспериментальных наблюдений 38
2.2. Организация хранилища данных результатов экспериментальных наблюдений 39
2.3.Расчетные методы исследования 54
Глава 3. Интеллектуальные методы прогнозирования состояния городской среды 80
3.1. Прогнозирование концентраций загрязняющих веществ в приземном слое атмосферного воздуха 82
3.1.1. Нейросетевая модель прогнозирования по стандартным предикторам 82
3.1.1.1 Конкретизация значений предикторов 83
3.1.1.2. Конструирование и обучение модели 85
3.1.1.3. Исследование способности модели к обобщению 88
3.1.1.4. Исследование точности модели 89
3.1.2 Нейросетевая модель прогнозирования по редуцированным предикторам 90
3.1.2.1. Редуцирование нейросетевой модели 90
3.1.2.2. Конструирование и обучение модели, прогнозирующей концентрации загрязнений по метеоданным 92
3.1.2.3. Исследование точности модели, прогнозирующей концентрации загрязнений по метеоданным 93
3.1.3. Методика конструирования интеллектуальной модели, прогнозирующей концентрации ЗВ в атмосфере 96
3.1.4. Результаты натурных экспериментов 97
3.2. Прогноз параметра Р 104
3.2.1. Прогноз изменчивости параметра Р 108
3.2.2. Создание нейросетевой модели для прогнозирования параметра Р по метеорологическим параметрам 116
3.3. Прогноз формирования НМУ 124
3.3.1 Интеллектуальная модель расчета временного периода между формированием НМУ и превышением ПДК ЗВ 124
3.3.1.1. Методика построения соревновательной группы нейросетевых моделей 125
3.3.1.2. Результаты натурных экспериментов 129
3.3.2 Вычислительный метод распознавания сочетаний метеопараметров как неблагоприятных 132
3.3.2.1. Редукция набора метеоданных 132
3.3.2.2. Выделение групп НМУ из набора метеоданных кластеризацией 133
3.3.2.3. Метод выделение групп НМУ из набора метеоданных на основе расчетов модели-победителя 136
3.3.3 Порядок прогнозирования формирования групп НМУ при помощи интеллектуальных моделей 137
Выводы 138
Глава 4. Нейронечеткая идентификация состояния объектов мониторинга 140
4.1. Качественная оценка состояния объектов мониторинга 140
4.2 Количественная оценка состояния объектов мониторинга на основе нечеткого расчета параметра I по алгоритму TSK 143
4.2.1. Нечеткий логический вывод как универсальный интерпретатор количественных параметров в качественные показатели 147
4.2.2. Лингвистические переменные задачи качественного оценивания состояния городской среды 150
4.2.3. Расчет количественного значения Iобщ по алгоритму TSK 154
4.2.3.1 Определение функций принадлежности лингвистических переменных правил частей правил вывода TSK 156
4.2.3.2 Определение коэффициентов правых частей правил вывода TSK 160
4.2.3.3 Задание базы правил нечеткого логического вывода TSK 162
4.2.3.4 Реализация системы нечеткого логического вывода TSK 163
4.2.4 Оценка адекватности нечеткой системы для количественного расчета интегрального показателя состояния объектов мониторинга 167
4.3 Повышение адекватности нечеткой системы расчета интегрального показателя состояния для объектов мониторинга 168
4.3.1.Разработка нечеткой нейронной сети как специфической реализации системы нечеткого вывода типа TSK 169
4.3.2. Создание и обучение нечеткой нейронной сети для системы нечеткого логического вывода 173
4.4. Качественная оценка состояния объектов мониторинга на основе нечеткого расчета I по алгоритму Mamdani-Zade 179
Выводы 185
Заключение 187
Литература 188
- Выбор мониторинговых показателей
- Организация хранилища данных результатов экспериментальных наблюдений
- Конструирование и обучение модели, прогнозирующей концентрации загрязнений по метеоданным
- Определение функций принадлежности лингвистических переменных правил частей правил вывода TSK
Введение к работе
Актуальность проблемы. В настоящее время в нашей стране не реализуется экспериментальный экологический мониторинг качества атмосферного воздуха с необходимым пространственно-временным, количественным и качественным разрешением сети наблюдений. Получение необходимого объема мониторинговой информации и разработка на ее основе управляющих воздействий требует привлечения современных информационных технологий, то есть недостатки существующей системы экспериментального экологического мониторинга качества атмосферного воздуха могут быть устранены за счет развития системы расчетного экологического мониторинга.
Применяемые на сегодняшний день в действующей системе экологического мониторинга методы математической обработки данных обладают высокой погрешностью из-за невозможности учета в используемых моделях всех значимых факторов, определяющих состояние объектов мониторинга. Однако, современные интеллектуальны системы — искусственные нейронные сети и нечеткие гибридные системы управления — позволяют устранить недостатки применения классических математических методов при обработке мониторинговой информации, а также разработать технологию расчетного экологического мониторинга с привлечением качественных экспертных оценок.
Использование нейронных сетей для зонирования территории рассматривались в работах О.П. Ермолаева и А.А. Савельева; для оценки загрязнения различных природных сред — в работах Н.В. Якшиной и Г.А. Евтюгина и др. Гибридные нейрогенети-ческие и генетические системы рассмотрены в работах Будиловой Е.В., Терехина А.Т., Чепурнова С.А. и др. В работах Усова В.Н., Ивановой Е. В., Haugen E. и др. рассмотрены проблемы качественного представления мониторинговых данных, однако не приводятся математически обоснованные методики получения таких данных. В связи с этим актуальной является задача применения нейросетевого и нечеткого моделирования для оперативных оценки и прогноза состояния объектов экологического мониторинга качества атмосферного воздуха с разработкой управляющих воздействий.
Цель работы и задачи исследования. Целью диссертационной работы является разработки нейросетевых, нечетких и нейронечетких математических моделей, методов и алгоритмов для создания системы расчетного экологического мониторинга качества атмосферного воздуха территории с высоким уровнем антропогенной нагрузки.
Для достижения поставленной цели необходимо решить следующие основные задачи:
-
Разработка математических моделей и методов расчета концентраций примесей в приземном слое атмосферного воздуха на основе нейронных сетей в целях повышения полноты и точности мониторинговых текущих и прогнозных данных на антропогенно-нагруженной территории.
-
Разработка математических моделей и методов расчета интегральной характеристики состояния атмосферного воздуха при поступлении многочисленных загрязняющих веществ на основе регрессионных и нейросетевых подходов.
-
Разработка математических моделей и численных алгоритмов прогноза неблагоприятных метеорологических условий (НМУ), в целях своевременного предотвраще-
ния превышения концентраций примесей над их ПДК в приземном слое атмосферного воздуха.
-
Разработка математических моделей и методов комплексной оценки состояния объектов мониторинга на основе аппарата нечеткой логики и нечетких нейронных сетей для разработки управляющих воздействий для систем принятия решений.
-
Создание систем поддержки принятия воздухоохранных решений на основе реализации разработанных нейросетевых моделей и методов.
Методы исследования. При решении поставленных задач в работе использовались нейросетевые модели и методы, аппарат нечетких множеств и нечетких нейронных сетей, методы кластерного и факторного анализа, регрессионные линейные и нелинейные методы и классические методы оптимизации.
Научная новизна. В диссертационной работе разработаны с доказательством их эффективности и адекватности нейросетевые модели:
-
Расчета и прогноза концентраций примесей, поступающих от стационарных источников загрязнения атмосферного воздуха при штатном режиме работы с увеличением точности расчетов в среднем в 10 раз по сравнению с применяемыми расчетными методиками.
-
Расчета интегрального показателя качества атмосферного воздуха на основании регрессионных линейных и нелинейных моделей с помощью доступных к непосредственному измерению метеопараметров с точностью до 99%.
-
Прогноза высокого уровня загрязнения атмосферного воздуха:
-
Разработан метод формирования и обучения составной нейросетевой модели для определения временного периода формирования высокого уровня загрязнения атмосферного воздуха при возникновении НМУ.
-
Разработан метод распознавания с обеспечением достоверного прогноза в среднем в 82% случаев.
4. Математические модели нечеткого вывода для интегральной оценки состоя
ния объектов мониторинга на основе определения индекса состояния I.
-
Метод количественной оценки индекса I на основе систем TSK с нейронечет-кой адаптацией ANFIS. Реализованные на основе методов программные модули позволяют заменить собой группу экспертов и обладают погрешностью в среднем менее 1%.
-
Метод качественной интерпретации оценки индекса I на основе системы Mamdani-Zade.
5. Программные модули для системы поддержки принятия решений, реализую
щие разработанные математические модели и методы.
Достоверность результатов работы. Достоверность научных результатов подтверждена сравнением расчетных результатов с результатами, получаемыми экспериментальным путем.
Практическая ценность работы заключается в разработке программного комплекса расчетов различных показателей состояния окружающей среды на языках Delphi и C# с использованием пакетов моделирования MatLab, Statistica и Deductor, о чем имеется свидетельство о государственной регистрации программ. Достоинством программного комплекса является доступность требуемых для расчетов входных данных, тогда как стандартные методики, обладая меньшей точностью, требуют большого перечня специальных данных на входе. Реализованные в программных модулях математические нейросетевые модели и методы применялись на практике для расчета характеристик состояния атмосферного воздуха и его изменения в период НМУ, а также расчетной оценки состояния других объектов мониторинга на территории г. Нижнекамска. В результате применения разработанных методов и моделей точность расчетов характеристик объектов мониторинга увеличивается в среднем более чем в 10 раз в сравнении с
методами и моделями, применяемыми в действующей системе экологического мониторинга.
Работа выполнялась в рамках гранта Президента Российской Федерации для государственной поддержки молодых российских ученых — докторов наук МД-3110.2009.5 от 24.09.2009 по теме «Разработка технологии расчетного мониторинга загрязнения объектов окружающей среды мегаполиса, методов анализа экологического риска и механизмов обеспечения экологической безопасности населения и территории на основании инновационных IT-технологий», организацией-соисполнителем по которому являлся Институт проблем экологии и недропользования Академии наук Республики Татарстан. Прикладные результаты диссертационной работы использованы в работе Управления экологической экспертизы и нормирования воздействий Министерства экологии и природных ресурсов Республики Татарстан.
Основные положения, выносимые на защиту.
-
Разработаны нейросетевые модели и алгоритмы расчета концентраций загрязняющих веществ в атмосфере.
-
Созданы регрессионные и нейросетевые модели расчета интегрального показателя качества атмосферного воздуха.
-
Получены нейросетевые модели и вычислительные методы прогноза высоких уровней загрязнения атмосферного воздуха и идентификации сочетаний неблагоприятных метеорологических условий.
-
Разработаны нечеткие и нейронечеткие модели интегральной оценки объектов мониторинга, заменяющие группу специалистов-экспертов.
-
На основе разработанных моделей и вычислительных методов созданы программные модули для системы поддержки принятия воздухоохранных решений.
Апробация работы. Основные результаты работы докладывались и обсуждались на следующих международных, всероссийских, республиканских конференциях:
Молодежная научная конференция «Туполевские чтения» (Казань, 2011, 2013, 2015 гг.), конференции ИАНТЭ КНИТУ-КАИ (Казань 2011г.), Республиканская научная конференция АН РТ «Актуальные экологические проблемы Республики Татарстан» (Казань 2007г.), X Международная научно-практическая конференция «Техносферная безопасность» (Ростов-на-Дону 2008г.), V международная научно-практическая конференция «Автомобиль и техносфера» (Казань 2008г.), V Всероссийская научно-техническая конференция «Проблемы и перспективы развития авиации, наземного транспорта и энергетики» (Казань 2009г.), XI Международная научно-практическая конференция «Техносферная безопасность» (Ростов-на-Дону 2009г.), Всероссийская научно-практическая конференция «Проблемы перехода к устойчивому развитию монопрофильных городов» (Нижнекамск 2010г.), V Международная научно-практическая конференция при участии молодых ученых и студентов (Харьков 2010г.), Международная научно-практическая конференция «Развитие и динамика иерархических (многоуровневых) систем» (Казань 2010г.), XIII Всероссийская научно-практическая конференция Ростовского государственного строительного университета (Ростов-на-Дону — Михайловское 2010 г.), XV Всероссийская конференция с международным участием «Химия и инженерная экология» (Казань, 2015).
Публикации. По теме диссертации опубликовано 30 научных работы, в том числе 23 тезисов докладов и 6 статей в журналах, рекомендуемых ВАК, одна монография.
Структура диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и трех приложений. Работа включает 198 страниц основного текста, 82 рисунка, 9 таблиц. Список литературы содержит 118 наименование.
Выбор мониторинговых показателей
Мониторинг качества атмосферного воздуха и выбросов в атмосферу как главного фактора создания экологической ситуации в городе [ 37], [ 91] крайне важен, но сложен в реализации ввиду высокой динамичности и зависимости от состава и режимов выбросов и метеорологических условий их рассеивания и др.
Состав депонирующих сред (снежного и почвенного покрова), аккумулирующих все виды химического загрязнения, позволяет косвенно характеризовать длительно формирующееся загрязнение атмосферного воздуха [ 49]-[ 87]. Годовые динамические наблюдения за составом снега на одной и той же территории позволяют выявить тенденцию в изменении качества окружающей среды, обнаружить новые очаги загрязнения, в которых пока не произошло существенных нарушений химического состава таких компонентов как, например, почвы [ 87]-[ 46]. Это определяет важность и необходимость включения показателей загрязнения снежного покрова как естественного накопителя атмосферных загрязнений за зимний период в программу экологического мониторинга урбанизированной территории.
Почвенный покров является индикатором длительного загрязнения урбанизированной территории и происходящей трансформации городской среды за счет свойства аккумулирования загрязняющих веществ в течение всего периода действия источников выбросов [ 83]-[ 99].
В предлагаемый перечень показателей должны быть включены показатели, характеризующие состояние главного тест-объекта и защищаемого объекта на урбанизированной территории – человека.
Согласно биогеохимической теории академика В.И.Вернадского внутренняя среда организма человека дает прямой отклик на изменения химического состава среды обитания. Поэтому среды организма человека являются информативным объектом экологического мониторинга урбанизированных территорий. В нашем исследовании, в качестве биообъектов для экологического мониторинга предлагается использовать среды организма человека: кровь, мочу, волосы. Исследование содержания загрязняющих веществ в средах организма человека позволяет оценить степень антропогенного воздействия как кратковременное (в динамично изменяющихся крови и моче) и длительное (накопление в волосах) [ 94]-[ 29].
Известно, что организм детей и подростков, в большей степени подвержен влиянию уровня загрязнения объектов окружающей среды и служит более чувствительным индикатором их влияния [ 29]-[ 64]. Поэтому в качестве объекта мониторинга нами использовались биологические образцы детского населения и подростков (до 16 лет). Требуемые показатели состояния объектов мониторинга должны определяться в соответствии с потребностями управляющих органов. Системам принятия решений необходимо иметь обобщенные показатели качества, детализируемые по территории с тенденцией их изменения. Информация, поступающая в систему принятия решений должна быть соответствующим образом обработана, полученные результаты должны соотносится с удобными и легко воспринимаемыми шкалами, например качественными типа «хорошо-плохо», количественными, типа «0-1», «0-10». То есть величина концентрации загрязняющего вещества, получаемая в системе экспериментального мониторинга качества атмосферного воздуха все равно преобразуется в обобщенные показатели и балльные оценки [ 68], [ 89], [ 90], [ 76].
Согласно современным представлениям [ 51], [ 27] технология расчетного экологического мониторинга предусматривает: 1) Разработку расчетных способов получения результатов наблюдений за состоянием объектов мониторинга. 2)Оценку состояния объектов мониторинга, разработку новых показателей состояния, разрабатываемых индивидуально для учета региональных особенностей территории. 3) Прогноз изменчивости экологического состояния территории. 4) Разработку рекомендаций и управляющих воздействий.
Ввиду высокой динамичности объектов мониторинга и многокомпонентного состава эмиссий от источников загрязнения необходим расчет интегральных мониторинговых показателей с пространственно-временной дифференциацией. В связи с этим, возникает проблема выбора метода агрегирования информации о концентрациях примесей в интегральный показатель. Согласно литературным данным, мониторинговые показатели должны соответствовать требованиям системы природоохранного управления, так называемой системы принятия решений по чувствительности, по научной обоснованности, по способности к агрегативности, по простоте интерпретации. Последнее требование особенно важно, так как в противном случае подобные показатели не будут практически использованы.
В настоящее время существует достаточно много показателей, используемых для представления мониторинговых данных в агрегированном виде. Так комплексный индекс загрязнения атмосферы (КИЗА) рассчитывают как сумму нормированных по ПДК и приведенных к концентрации диоксида серы средних концентраций различных примесей:
Организация хранилища данных результатов экспериментальных наблюдений
Простейший персептрон может дать простейший ответ типа «да» или «нет» (говорят: «принадлежит ли входной вектор к классу А или к классу В»). В зависимости от значения выходного сигнала принимается решение: +1 - входной сигнал принадлежит классу A (ответ «да»), -1 - входной сигнал принадлежит классу B (ответ «нет»). На рисунке 2.9. показан случай, когда размерность входного сигнала равняется 2, т.е. для входного вектора (x1, x2) . При этом разделяющая поверхность представляет собой прямую линию на плоскости. Уравнение, задающее разделяющую прямую, зависит от значений синоптических весов и сдвига.
Если в выходном слое присутствует несколько нейронов, персептрон может определять большее количество классов. Например, персептрон с двумя выходами: Xl
Персептрон с двумя выходами. может относить любой входной вектор уже к четырем возможным классам: Класс А: y1=+1y2=+1 Класс B: y1=+1y2=-1 Класс C: y1=-1y2=+1 Класс D: y1= -1 y2= -1 Алгоритм обучения однослойного персептрона Пусть персептрон состоит из n входных (i=1..n) и m выходных (j=1..m) сигналов. 1. Инициализация синоптических весов и сдвига: синоптические веса принимают небольшие случайные значения. Дискретное время обучения t принимается равным нулю: t=0. 2. Предъявление сети нового входного и желаемого выходного сигналов: Входной сигнал x=(x1, x2, ..., xn) предъявляется нейрону вместе с желаемым выходным сигналом d=(d1, d2,…dm). 3. Вычисление сигналов выходных нейронов: y(t) = fljTwl.(t)xl-b) (2. 1) где /(z) = 1-1, еслиг 0 4. Настраивание значений весов по правилу «дельта»: w..(t + V) = w..(t) + hxxix(d.(t)-yj(t)) (2. 2) где Wі{f) - вес связи от і-го элемента входного сигнала ку-тому выходному нейрону в момент времени t, г - скорость обучения (меньше 1); 4(0 -желаемый выходной сигнал нау-том нейроне. Если сеть принимает правильное решение, синоптические веса не модифицируются.
Нейроны организованы в послойную структуру с прямой передачей сигнала. Каждый нейрон сети продуцирует взвешенную сумму своих входов, пропускает эту величину через передаточную функцию и выдает выходное значение. Сеть может моделировать функцию практически любой сложности, причем число слоев и число нейронов в каждом слое определяют сложность функции. Определение числа промежуточных слоев и числа нейронов в них является важным при моделировании сети. Большинство исследователей и инженеров, применяя архитектуру к определенным проблемам, используют общие правила, в частности:
1. Количество входов и выходов сети определяются количеством входных и выходных параметров исследуемого объекта, явления, процесса, и т.п. В отличие от внешних слоев, число нейронов скрытого слоя выбирается эмпирическим путем. В большинстве случаев достаточное количество нейронов составляет nск nвх + пвых, где nвх, пвых - количество нейронов во входном и, соответственно, в выходном слоях.
2. Если сложность в отношении между полученными и желаемыми данными на выходе увеличивается, количество нейронов скрытого слоя должна также увеличиться.
Если моделируемый процесс может разделяться на несколько этапов, нужен дополнительный скрытый слой для каждого этапа. Если процесс не разделяется на этапы, тогда дополнительные слои могут вызвать перезапоминание и, соответственно, неверное общее решение.
Существует и более строгое обоснование выбора количества скрытых слоев и числа нейронов в каждом из них. Теорема Колмогорова о достаточной структуре нейронной сети гласит: Для трансформации N-мерного входного вектора множества входных данных x в M-мерный выходной вектор d достаточно использование нейросети с одним скрытым слоем. При N входных нейронах для реализации аппроксимирующей функции достаточно использовать в скрытом слое (2N+1) нейронов.
После того, как определено число слоев и число нейронов в любом из них, нужно найти значения для синаптических весов и порогов сети, способных минимизировать погрешность результата. Именно для этого существуют алгоритмы обучения, где происходит подгонка модели сети к имеющимся обучающим данным. Погрешность для конкретной модели сети определяется путем прохождения через сеть всех обучающих примеров и сравнения спродуцированних выходных значений с желаемыми значениями. Множество погрешностей создает функцию погрешностей, значение которой можно рассматривать как погрешность сети в целом. В качестве функции погрешностей чаще используют сумму квадратов погрешностей:
В качестве аргумента функции ошибки выступают значения синаптических весов. Алгоритм обучения действует итеративно, его шаги называются эпохами. На каждой эпохе на вход сети поочередно подаются все обучающие примеры, выходные значения сети сравниваются с желаемыми значениями и вычисляется погрешность. Значение погрешности, а также градиента функции погрешности используют для коррекции весов, и действия повторяются. Процесс обучения прекращается если пройдено определенное количество эпох, или если погрешность достигает определенного уровня малости, или если погрешность перестает уменьшаться (пользователь преимущественно сам выбирает нужный критерий останова). Градиентное обучение Наиболее общим способом оптимизации нейросети является итерационная процедура подбора весов, называемая обучением, в данном случае - обучением с учителем, поскольку опирается на обучающую выборку примеров {ха, сР}, например - примеров правильной классификации.
Ошибка сети (целевая функция) формулируется, как правило, в виде квадратичной суммы разностей между фактическими и ожидаемыми значениями выходных сигналов. В случае единичной обучающей выборки (JC, d) целевая функция определяется в виде:
Конструирование и обучение модели, прогнозирующей концентрации загрязнений по метеоданным
Практически полученные результаты расчета: Концентрация ЗВ в расчетной точке по расчетам на нейросетевой модели составляет 0,0018 мг/м3. Анализ результатов: полученный результат согласуется с теоретическим предположением. Характерно, что значение концентрации ЗВ в расчетной точке равно 0,0018 согласуется с теоретическими основами распространения примесей: распространение ЗВ от источников загрязнения по направлению ветра к жилой зоне предполагает уменьшение концентрации в расчетной точке. Пример расчета в точке, расположенной противоположно направлению ветра. Теоретически ожидаемые результаты: При данном направлении ветра распространение примесей происходит в направлении, противоположном жилой застройке. В связи с этим влияние источников загрязнения промзоны на формирование концентрации ЗВ в контрольных точках незначительно. Следовательно, концентрация ЗВ в расчетной точке ожидается близкой к концентрации в контрольных точках. Рисунок 3. 14. Взаимное расположение расчетной и контрольных точек при указанном направлении ветра. Практически полученные результаты расчета: Концентрация ЗВ в расчетной точке по расчетам на нейросетевой модели составляет 0,0317. Анализ результатов: Рассчитанная концентрация практически совпадает со значениями в контрольных точках, что подтверждает теоретическое предположение о близком к фоновым концентрациям ЗВ в данном районе. Вывод: Проведенные эксперименты доказали адекватность применения Методики конструирования интеллектуальной модели, прогнозирующей концентрации ЗВ в атмосфере. Полученные расчетные значения согласуются с теоретическими положениями о распространении примесей с учетом направления и силы ветра.
Осуществление плановых воздухоохранных мероприятий, направленных на снижение уровня загрязнения воздуха в городах, нередко требует длительного времени. Поэтому большое значение приобретают работы по краткосрочному сокращению выбросов для снижения уровня загрязнения атмосферного воздуха в периоды неблагоприятных метеорологических условий (НМУ). Именно прогноз НМУ и сокращение выбросов является в настоящее время наиболее действенным путем улучшения состояния воздушного бассейна в городах без значительных материальных затрат.
Нормативным документом, регламентирующим кратковременное снижение выбросов в периоды неблагоприятных метеорологических условий (НМУ) являются методические указания «Регулирование выбросов при неблагоприятных метеорологических условиях» РД 52.04.52—85.
В России и за рубежом выполнено большое число работ ([ 2], [ 6], [ 45]), в ко торых показана роль отдельных метеорологических параметров и их сочетаний на формировании уровня загрязнения воздуха в городах. Однако влияние метеорологических условий на рассеивание проявляется не однозначно. Решение задачи прогноза уровня загрязнения приземного слоя атмосферного воздуха основано на учете связей между концентрациями примесей и метеорологическими условиями рассеивания примесей на конкретной территории.
Учет действующих метеорологических условий, определяющих рассеивание примесей, требует создание региональных прогностических схем. Такие работы должны проводиться с использованием данных систематических наблюдений в каждом городе в отдельности. Накопленный к настоящему времени объем результатов экспериментальных наблюдений за состоянием воздушного бассейна позволяет провести статистическую обработку и выработать прогностические правила, учитывающие особенности формирования уровней загрязнения воздуха в конкретном населенном пункте. Существует два основных типа оперативных прогнозов: прогноз фонового загрязнения в городе (предсказываются интегральные показатели загрязнения городского воздуха); прогноз уровня загрязнения воздуха от отдельных источников и групп источников.
Прогнозирование городского фонового загрязнения воздуха основано на материалах наблюдений. Устанавливаются корреляционные связи интегральных характеристик загрязнения воздуха с определенным сочетанием метеоусловий. Поэтому перед составлением прогностической схемы необходим выбор значимых предикторов. Они должны быть представлены главными метеорологическими факторами, определяющими уровень загрязнения воздуха в городе. Предикторы выбираются на основе анализа материалов наблюдений в конкретных городах с учетом тесноты и реального вида связей между метеорологическими факторами и концентрациями примесей в воздухе. Из возможных предикторов выбирается несколько наиболее значимых.
Головной организацией, разрабатывающей нормативные документы, регламентирующие прогноз уровня загрязнения атмосферного воздуха, является Главная Геофизическая обсерватория им. А.И. Воейкова (ГГО). На основании статистического анализа массива экспериментальных данных сотрудниками ГГО установлены связи характеристик качества воздуха с некоторыми метеорологическими параметрами, а также с сочетаниями неблагоприятных метеорологических условий. Сформулированы прогностические правила по ряду городов России и доказана их высокая оправдываемость. Эти разработки явились основой создания руководящего документа РД 52.04.306-92. Уровень загрязнение воздуха, изменяющийся на всей территории города под влиянием метеорологических условий, характеризуется интегральными показателями, которые рассчитываются по материалам фактических наблюдений в течение дня.
Определение функций принадлежности лингвистических переменных правил частей правил вывода TSK
Для оценки состояния выделенных объектов мониторинга воспользуемся принятым подходом расчета индексов состояния. Для выработки наилучших решений по управлению качеством атмосферного воздуха необходимо оперативно оценивать индексы состояния для их минимизации. Параметр Р, как рассматривалось ранее, является индексом состояния атмосферного воздуха, выражающего суммарную кратность превышения ПДК среди всех произведенных наблюдений. Нейросетевые модели для расчета точного количественного значения параметра Р подробно были рассмотрены в Главе 2.
Процедура управления качеством атмосферного воздуха на основе оценки значений индексов состояния состоит из четырех этапов: Этап 1 - сравнительная оценка и ранжирование индексов; Этап 2- определение уровней приемлемости индексов состояния; Этап 3 - выбор стратегии снижения и контроля индексов состояния; Этап 4 - принятие управляющих решений. Этап 1. Сравнительная оценка индексов состояния мониторинговых объектов связана с характеристикой индексов и осуществляется на основе использования имеющихся данных. Если на завершающей стадии оценки индекса состояния устанавливают степень опасности при определенных условиях воздействия, то на начальном этапе процедуры управления индексом состояния, продолжающем и углубляющем анализ индекса состояния, проводится сравнительная характеристика и ранжирование индексов состояния с целью установления приоритетности регулирования.
Ранжирование индексов состояния отличается от собственно оценки индексов уровнем отображения результатов и тем, что этот подход является инструментом систем принятия решений. Первоначальные шаги похожи на традиционную оценку индексов, но на их заключительном этапе выявляются и констатируются приоритетные проблемы.
Императивность выбора приоритетов связана как с задачей снижения совокупной антропогенной нагрузки урбоэкосистемы и необходимостью использования для этой цели системного подхода, так и с различием ресурсных и временных ограничений, накладываемых на область возможных решений данной задачи.
Само по себе сопоставление индексов состояния и установление приоритетов выявляя их ранжирование, определяя их иерархию, тем не менее, не решает вопросов о приемлемости индекса состояния, необходимости и конкретных формах его контроля. Все это выясняется на последующих стадиях процедуры управления индексами состояния.
Этап 2. Необходимость установления уровня приемлемого индекса
состояния определяется практической невозможностью достижения нулевого индекса и предполагает определение минимально допустимого уровня безопасности.
Этап 3. Стратегия контроля уровней индексов состояния заключается в выборе одной из типовых мер, в наибольшей степени способствующих минимизации, компенсации индекса состояния городской среды или устранению риска, например, ограничение сферы использования территорий.
Этап 4. Принятие управленческих решений включает в себя определение нормативных актов, законов, постановлений, инструкций и их положений, наилучшим образом соответствующих реализации той или иной меры, которая была установлена на предшествующей стадии [ 39]-[ 85] .
Таким образом, оценка индексов состояния мониторинговых объектов является ключевым этапом для выработки управленческих решений в сфере обеспечения экологической безопасности территории, так как основная цель управления состоит именно в снижении значений индекса состояния до приемлемых уровней [ 116], [ 7].
Структурную схему информационно-аналитической системы для разработки управляющих воздействий с целью снижения уровня загрязнения атмосферного воздуха и городской среды в целом на основе оценки индексов состояния мониторинговых объектов отражает Рисунок 4. 1.
В реальности же одним и тем же количественным, расчетным значениям индексов состояния могут соответствовать различные качественные интерпретации специалистов-экспертов. Это может быть вызвано сочетанием неформализуемой информации, которой обладают эксперты, либо особенностями первопричин, вызывающих повышение количественного значения индекса. Например, высокое количественное значение индекса состояния, вызванное загрязнением атмосферного воздуха, будет иметь более серьезные и быстро развивающиеся негативные последствия для городской территории, чем высокий индекс состояния почвенного покрова, который характеризует уровень загрязнения атмосферного воздуха за длительный период. В результате эксперт может интерпретировать один и тот же количественный уровень индекса состояния городской среды как «высокий», если он вызван главным образом загрязнением атмосферного воздуха, и как «средний», если он вызван загрязнением почвенного покрова.
Следовательно, для автоматизации процесса оценки состояния исследуемых объектов мониторинга, необходимо учитывать не только количественные, но и качественные факторы. Качественную оценку можно провести на основании полученных количественных значений I по каждому объекту мониторинга, а затем с учетом практической значимости и степени неблагополучия, указанной экспертами, интерпретировать набор полученных значений в единый интегральный качественный показатель.