×

Вы используете устаревший браузер Internet Explorer. Некоторые функции сайта им не поддерживаются.

Рекомендуем установить один из следующих браузеров: Firefox, Opera или Chrome.

Контактная информация

+7-863-218-40-00 доб.200-80
ivdon3@bk.ru

Применение нейронных сетей для построения модели прогнозирования состояния городской воздушной среды

Аннотация

Н.К. Плуготаренко, А.Н. Варнавский

  Разработана нейросетевая модель распространения загрязняющих веществ в атмосфере г. Таганрога на основе данных мониторинга, метеорологической информации и расчетов программного продукта «Эколог-город». Результаты работы модели визуализированы в программе ArcGis. Построены карты распределения диоксида азота при восьми направлениях ветра, двух скоростях ветра и двух диапазонах температур.

Ключевые слова: Нейронные сети, модель прогнозирования, загрязнение городского воздуха

05.13.18 - Математическое моделирование, численные методы и комплексы программ

Контроль качества воздушной городской среды играет большую роль в достижении благоприятной экологической обстановки. Данный вид контроля осуществляется посредством мониторинга воздушной среды и различных методов прогнозирования распределения загрязнений, среди которых метод нейросетевого моделирования один из наиболее перспективных.

Существующие модели и методики прогнозирования распространения загрязняющих веществ в атмосфере предполагают наличие сложных систем аналитических уравнений, описывающих динамику распространения примеси. Процессы распространения загрязнений имеют случайный характер, плохо воспроизводимы и обладают нестационарностью, что затрудняет аналитическое описание. Все существующие модели и методики принимают допущения о постоянстве метеоусловий, что противоречит действительности. Учет особенностей процесса загрязнения атмосферы в условиях неполных метеоданных и данных об источниках загрязнения может быть достигнут путем применения нейросетевых моделей прогнозирования, получивших широкое распространение в различных областях знаний.

Основным достоинством искусственных нейронных сетей является способность к обучению на основе имеющейся оперативной выборки. Кроме того, обученные нейронные сети можно дообучать, использую постоянно поступающие фактические данные о загрязнении и метеоусловиях [1-3].

В данной работе в качестве входных переменных выбраны скорость ветра (U, м/с), направление ветра (W, град.), температура воздуха (T, ºС), концентрация загрязнителя, рассчитанная по программе УПРЗА «Эколог» (Ср, мг/м3). УПРЗА «Эколог» версия 3.0, вариант «Стандарт» с блоком учета влияния застройки позволяет рассчитать приземные концентрации загрязняющих веществ в атмосфере в соответствии с «Методикой расчета концентраций в атмосферном воздухе вредных веществ, содержащихся в выбросах промышленных предприятий (ОНД-86)». Сеть обучалась по данным мониторинга атмосферного воздуха г. Таганрога. Моделирование было проведено только в условиях ясной погоды, т.к. измерения концентраций загрязнителей при наличии осадков не производились. Вектор входных данных содержит более 1000 примеров. Реализация модели осуществлялась в программной среде Matlab с использованием приложения Neural Network Toolbox.

В рамках работы были проанализированы восемь типов нейронных сетей: каскадная сеть с прямым распространением сигнала и обратным распространением ошибки; сеть с прямым распространением сигнала и обратным распространением ошибки; сеть с запаздыванием и обратным распространением ошибки;  обобщенная регрессионная сеть;          радиальная базисная сеть с нулевой ошибкой;    радиальная базисная сеть с минимальным числом нейронов;           сеть Элмана с обратным распространением ошибки.

Для определения эффективности исследуемых нейронных сетей использовалась среднеквадратичная ошибка, усредненная по количеству выходных переменных нейронной сети и рассчитываемая на основе прогнозируемых и реальных значений тестовой выборки по формуле:

     (1)

где  - значение i-й выходной переменной нейронной сети для j-го обучающего или тестового примера;  - прогнозируемое значение i-й выходной переменной нейронной сети для j-го обучающего или тестового примера; N – количество примеров в обучающей или тестовой выборке; K – количество выходных переменных нейронной сети.

При создании модели, опираясь на результаты расчета среднеквадратичной ошибки, был осуществлен выбор оптимальной конфигурации нейронной сети для поставленной задачи. Выбран алгоритм обучения методом Левенберга-Маркара и каскадная сеть с прямым распространением сигнала и обратным распространением ошибки с 11 нейронами. Структура выбранной сети, отображаемая в программной среде Matlab представлена на рисунке 1.

 

 

Рисунок 1 - Структура каскадной сети с прямым распространением сигнала и обратным распространением ошибки

Структура, отображающая входные и выходные параметры нейронной сети для прогнозирования распределения диоксида азота в атмосферном воздухе города Таганрога представлена на рис. 2.

 

 

Рисунок 2 - Структура нейронной сети для прогнозирования распределения диоксида азота. U - скорость ветра, м/с, W - направление ветра , град.; T - температура воздуха , ºС;Ср - концентрация загрязнителя, рассчитанная по программе «Эколог-город», мг/м3;С – концентрация загрязнителя, рассчитанная по нейросетевой модели, мг/м3; i, j – координаты точек

Решение задачи визуализации данных, полученных в ходе расчетов концентрации диоксида азота в атмосферном воздухе г. Таганрога было осуществлено с помощью программного пакета ArcGis. Данный программный продукт позволяет создавать привязку полученных данных с учетом реальных распределений концентраций к карте города, с возможностью получения информации по отобранным параметрам: загрязнения в конкретной точке, с конкретными метеорологическими параметрами, по конкретному виду загрязнений. Пример визуализации прогноза с заданными параметрами представлен на рис. 3.

 

 

Рисунок 3 - Карта распределения концентраций для диоксида азота в приземном слое атмосферы г. Таганрога при северо-восточном ветре со скоростью 0.5-3 м/с,

температура 15-25 ºС

Таким образом, применение нейронных сетей позволяет построить прогностическую модель распределения загрязнителей в атмосферном воздухе при учете различных метеорологических условий и вклада промышленных предприятий в загрязнение воздушного бассейна города, что дает возможность своевременного реагирования и принятия управленческих решений.

Исследование выполнено при поддержке Министерства образования и науки Российской Федерации, соглашение 14.А18.21.2097 «Разработка автоматизированной системы мониторинга для контроля и прогнозирования состояния окружающей среды».

Список литературы:

1. Савицкая Т.В., Дударов С.П., Егоров А.Ф., Левушкин А.С. Использование искусственных нейронных сетей для прогнозирования  загрязнения атмосферного воздуха аварийными источниками при изменяющихся метеоусловиях. // Экологические системы и приборы.  2007.  № 10.  С. 45-50.

2. Белов И.В., Беспалов М.С., Клочкова Л.В., Павлова Н.К, Сузан Д.В., Тишкин В.Ф. Сравнительный анализ некоторых математических моделей для процессов распространения загрязнений в атмосфере. // Математическое моделирование, 1999, т. 11, №7.

3. Царегородцев В.Г., Погребная Н.А. Нейросетевые методы обработки информации в задачах прогноза климатических характеристик и лесорастительных свойств ландшафтных зон. // Методы нейроинформатики. Красноярск.: Издательство КГТУ, 1998, с. 65-107.