Атмосферу Донецка загрязняют: автотранспорт (центр города), предприятия угольной промышленности (терриконы расположены по всей территории города), черной металлургии (Ленинский район, ДМЗ), коксохимической (ДКХЗ, участки которого расположены по территории города). Кроме того, на рост уровня загрязнения воздуха в городе Донецке влияют неблагоприятные метеорологические условия (слабые ветра 0 - 1 м/с, температурные приземные и приподнятые инверсиии и т.п.). В течение года повторяемость слабых ветров составляет 30 %. Приподнятые инверсии тепмературы препятствуют рассеиванию выбросов от высоких источников (какими являются предприятия черной металлургии и электростанции). Повторяемость этих инверсий в среднем за год составляет около 20 %, но зимой увеличивается до 40 %. Приземные инврсии также играют большую роль, так как способствуют накоплению вредных веществ, поступающих в атмосферу от множества низких источников выбросов: шахт и терриконов.

В связи с тяжелым экологическим состоянием в нашем регионе особенно важным является контроль концентраций загрязняющих веществ и прогнозирование состояния воздушного бассейна в будущем. Эти знания позволят рационально подходить к вопросу размещения новых предприятий в городе, позволят разрабатывать наиболее эффективные мероприятия по уменьшению уровня загрязнения атмосферного воздуха. Источниками информации служат посты наблюдения. Выделяют следующие типы постов: стационарные и маршрутные. Стационарные посты размещаются в городах на открытых, хорошо проветриваемых местах с учетом расположения промышленных предприятий, жилых массивов, автомагистралей и зон отдыха. На этих постах проводятся наблюдения за содержанием (концентрацией) вредных веществ в воздухе, метеорологическими элементами (температура, скорость ветра, направление ветра, атмосферные явления). Эти наблюдения дополняются замерами на маршрутных постах в разных точках города и под факелами промышленных предприятий. В городе Донецке 7 постов наблюдения. Отбор проб воздуха для определения содержания в атмосфере вредных веществ ведется по пыли, диоксиду серы, оксиду углерода, диоксиду азота, аммиаку и фенолу. Проблемой определения уровня загрязнения атмосферы занималось большое число ученых, таких как Э. Ю. Безуглая, Л. Р. Сонькин и др. В работах Э. Ю. Безуглой представлен анализ временной изменчивости содержания вредных веществ в воздухе городов. Выделены суточные изменения концентраций и годовой ход примесей. Предложен аналитический расчет изменений концентраций и способ графического отображения. Также, предложен один из интегральных показателей загрязнения атмосферы:

где: М - интегральный показатель загрязнения;

qм - средняя за каждый месяц концентрация;

qгод - средняя годовая концентрация по городу.

Такой подход дает возможность более четко выделить месяцы, в которые наблюдалось наибольшее отклонение от среднего значения и сравнить сезонные изменения уровня загрязнения. В зависимости от значения параметра М различают такие классы загрязнения воздуха:

1. Высокое загрязнение М>=1,5;

2. Повышенное загрязнение M(1-1.5);

3. Пониженное загрязнение M(0.6-1);

4. Слабое загрязнение М менее 0,6.

Для выявления периодов интенсивного загрязнения воздуха в городах
Л. Р. Сонькин предложил объективный способ, который заключается в том, что на основании данных за сравнительно длительный промежуток времени (это может быть месяц, сезон, полугодие и т.д.) по каждому стационарному пункту для каждой измеряемой примеси отбирается некоторое количество наиболее высоких значений концентраций. В качестве критерия для отнесения данное измерения к указанным выше случаям принимается, например условие q>1,5q_ср. Где q - любая концентрация, а q_ср - средняя концентрация за весь рассматриваемый период. Если в течение одного или нескольких дней m - количество наблюдений с q>1,5q_ср, а n - общее количество наблюдений, то величина

характеризует степень общего загрязнения воздуха в целом по городу. Р именяется от 0 до 1. Его значения могут рассчитываться как для отдельных примесей, так и для всех мзмеряемых примесей вместе.

Параметр Р связан с метеопараметрами и со средними по городу концентрациями загрязнений, но характеризует в основном общую неблагоприятную для загрязнений метеообстановку. Для расчета параметра Р и его использования как характеристики загрязнения воздуха, необходимо, чтобы выполнялись следующие условия:

1. Количество стационарных постов в городе не меньше 3-х;
2. Количество наблюдений за концентрацией примесей в воздухе на всех пунктах на протяжении суток должно быть не меньше 20-ти.

1. Высокий. Р>=0,35;

2. Относительно повышенный Р(0,2-0,35);

3. Пониженный Р менее 0,2.

Используя данные стационарных постов, можно спрогнозировать уровень загрязнения атмосферы. Для этого были разработаны различные методы и способы. Основные задачи прогнозирования загрязнения воздуха сводятся, во-первых, к определнию возможности скопления в воздушном бассейне контролируемого объекта (города) массы вредных примесей, представляющих угрозу для здоровья людей, а во-вторых, к определению возможности регулирования выбросов в данный момент для ограничесния загрязнения, предупреждения его критического уровня.

В настоящее время нельзя рекомендовать какой-либо один метод для прогнозирования загрязнения воздуха с удовлетворительной достоверностью. Методы обработки информации, анализа и прогнозирования процессов загрязнения должны определяться степенью детерминированности объекта. Существующие модели прогноза можно разделить на два класса: численно-аналитические и физические.

Использование классических численно-аналитических моделей для краткосрочного и оперативного прогноза будет эффективным лишь для стандартизированных ситуаций и в сочетании со статистическими методами. Поэтому для ежедневных краткосрочных прогнозов загрязнения воздуха в целом разработаны и используются следующие прогностичесике схемы: схема, основанная на распозновании образов, схема последовательной графической регрессии, схема линейной регрессии и схема прогноза метеорологического прогноза потенциала загрязнения.

Первая из этих схем заключается в определении степени близости конкретной ситуации (набора предикторов) к характерным ситуациям групп загрязнения. Недостатком данной схемы является невысокая надежность предсказания одной из трех групп загрязнения воздуха по параметру Р. Так как одно и то же значение Р может соответствовать различным метеоситуациям и уровням загрязнения.

Схема графической регрессии заключается в построении и последующем объединении по ряду наблюдений корреляционных графиков для определения предиктанта Р по различным сочетания двух предикторов (например, скорости ветра на уровне флюгера и в слое 100...500 м, перепада температур в слое 500 м и высоте слоя перемешивания и т.д.). По прогнозируемым предикторам в финальном графике определяется параметр Р или группа загрязнения воздуха. Эта схема, однако, характеризуется неточностью прогнозов умеренного и особенно повышенного загрязнения.

Схема линейной регрессии заключается в искусственном составлении уровнений линейной регрессии для предикторов, нахождении методом наименьших квадратов их коэффициентов и алгебраическом рассчете Р. Точность прогнозов достигает 80 %.

Одним из методов обработки и прогнозирования загрязнения атмосферного воздуха является aнализ временных рядов. Вначале дадим краткий обзор методов анализа данных, представленных в виде временных рядов, т.е. в виде последовательностей измерений, упорядоченных в неслучайные моменты времени. В отличие от анализа случайных выборок, анализ временных рядов основывается на предположении, что последовательные значения в файле данных наблюдаются через равные промежутки времени (тогда как в других методах нам не важна и часто не интересна привязка наблюдений ко времени). Вообще, временной ряд - это последовательность чисел; его элементы - это значения некоторого протекающего во времени процесса. Они измерены в последовательные моменты времени, обычно через равные промежутки. Элементы временного ряда - нумеруют в соответствии с номером момента времени, к которому они относятся.

Существуют две основные цели анализа временных рядов: (1) определение природы ряда и (2) прогнозирование (предсказание будущих значений временного ряда по настоящим и прошлым значениям). Обе эти цели требуют, чтобы модель ряда была идентифицирована и, более или менее, формально описана. Как только модель определена, вы можете с ее помощью интерпретировать рассматриваемые данные. Не обращая внимания на глубину понимания и справедливость теории, вы можете экстраполировать затем ряд на основе найденной модели, т.е. предсказать его будущие значения.

Как и большинство других видов анализа, анализ временных рядов предполагает, что данные содержат систематическую составляющую (обычно включающую несколько компонент) и случайный шум (ошибку), который затрудняет обнаружение регулярных компонент. Большинство методов исследования временных рядов включае т различные способы фильтрации шума, позволяющие увидеть регулярную составляющую более отчетливо.

Большинство регулярных составляющих временных рядов принадлежит к двум классам: они являются либо трендом, либо сезонной составляющей. Тренд представляет собой общую систематическую линейную или нелинейную компоненту, которая может изменяться во времени. Сезонная составляющая - это периодически повторяющаяся компонента. Оба эти вида регулярных компонент часто присутствуют в ряде одновременно. Например, продажи компании могут возрастать из года в год, но они также содержат сезонную составляющую.

Анализ тренда.

Не существует "автоматического" способа обнаружения тренда в временном ряде. Однако если тренд является монотонным (устойчиво возрастает или устойчиво убывает), то анализировать такой ряд обычно нетрудно. Если временные ряды содержат значительную ошибку, то первым шагом выделения тренда является сглаживание.

Сглаживание.

Сглаживание всегда включает некоторый способ локального усреднения данных, при котором несистематические компоненты взаимно погашают друг друга. Самый общий метод сглаживания - скользящее среднее, в котором каждый член ряда заменяется простым или взвешенным средним n соседних членов, где n - ширина "окна". Вместо среднего можно использовать медиану значений, попавших в окно. Основное преимущество медианного сглаживания, в сравнении со сглаживанием скользящим средним, состоит в том, что результаты становятся более устойчивыми к выбросам (имеющимся внутри окна). Таким образом, если в данных имеются выбросы (связанные, например, с ошибками измерений), то сглаживание медианой обычно приводит к более гладким или, по крайней мере, более "надежным" кривым, по сравнению со скользящим средним с тем же самым окном. Основной недостаток медианного сглаживания в том, что при отсутствии явных выбросов, он приводит к более "зубчатым" кривым (чем сглаживание скользящим средним) и не позволяет использовать веса. Относительно реже, когда ошибка измерения очень большая, используется метод сглаживания методом наименьших квадратов, взвешенных относительно расстояния или метод отрицательного экспоненциально взвешенного сглаживания. Все эти методы отфильтровывают шум и преобразуют данные в относительно гладкую кривую (см. соответствующие разделы, где каждый из этих методов описан более подробно). Ряды с относительно небольшим количеством наблюдений и систематическим расположением точек могут быть сглажены с помощью бикубических сплайнов.

Подгонка функции.

Многие монотонные временные ряды можно хорошо приблизить линейной функцией. Если же имеется явная монотонная нелинейная компонента, то данные вначале следует преобразовать, чтобы устранить нелинейность. Обычно для этого используют логарифмическое, экспоненциальное или (менее часто) полиномиальное преобразование данных.

Анализ сезонности.

Периодическая и сезонная зависимость (сезонность) представляет собой другой общий тип компонент временного ряда. Можно легко видеть, что каждое наблюдение очень похоже на соседнее; дополнительно, имеется повторяющаяся сезонная составляющая, это означает, что каждое наблюдение также похоже на наблюдение, имевшееся в том же самом месяце год назад. В общем, периодическая зависимость может быть формально определена как корреляционная зависимость порядка k между каждым i-м элементом ряда и (i-k)-м элементом . Ее можно измерить с помощью автокорреляции (т.е. корреляции между самими членами ряда); k обычно называют лагом (иногда используют эквивалентные термины: сдвиг, запаздывание). Если ошибка измерения не слишком большая, то сезонность можно определить визуально, рассматривая поведение членов ряда через каждые k временных единиц.

Автокорреляционная коррелограмма.

Сезонные составляющие временного ряда могут быть найдены с помощью коррелограммы. Коррелограмма (автокоррелограмма) показывает численно и графически автокорреляционную функцию (AКФ), иными словами коэффициенты автокорреляции (и их стандартные ошибки) для последовательности лагов из определенного диапазона (например, от 1 до 30). На коррелограмме обычно отмечается диапазон в размере двух стандартных ошибок на каждом лаге, однако обычно величина автокорреляции более интересна, чем ее надежность, потому что интерес в основном представляют очень сильные (а, следовательно, высоко значимые) автокорреляции.

Исследование коррелограмм

При изучении коррелограмм следует помнить, что автокорреляции последовательных лагов формально зависимы между собой. Рассмотрим следующий пример. Если первый член ряда тесно связан со вторым, а второй с третьим, то первый элемент должен также каким-то образом зависеть от третьего и т.д. Это приводит к тому, что периодическая зависимость может существенно измениться после удаления автокорреляций первого порядка, т.е. после взятия разности с лагом 1).

Частные автокорреляции.

Другой полезный метод исследования периодичности состоит в исследовании частной автокорреляционной функции (ЧАКФ), представляющей собой углубление понятия обычной автокорреляционной функции. В ЧАКФ устраняется зависимость между промежуточными наблюдениями (наблюдениями внутри лага). Другими словами, частная автокорреляция на данном лаге аналогична обычной автокорреляции, за исключением того, что при вычислении из нее удаляется влияние автокорреляций с меньшими лагами. На лаге 1 (когда нет промежуточных элементов внутри лага), частная автокорреляция равна, очевидно, обычной автокорреляции. На самом деле, частная автокорреляция дает более "чистую" картину периодических зависимостей.

Удаление периодической зависимости.

Как отмечалось выше, периодическая составляющая для данного лага k может быть удалена взятием разности соответствующего порядка. Это означает, что из каждого i-го элемента ряда вычитается (i-k)-й элемент. Имеются два довода в пользу таких преобразований. Во-первых, таким образом можно определить скрытые периодические составляющие ряда. Напомним, что автокорреляции на последовательных лагах зависимы. Поэтому удаление некоторых автокорреляций изменит другие автокорреляции, которые, возможно, подавляли их, и сделает некоторые другие сезонные составляющие более заметными. Во-вторых, удаление сезонных составляющих делает ряд стационарным, что необходимо для применения АРПСС и других методов, например, спектрального анализа.

Нами по данным постов был проведен анализ состояния окружающего воздуха в г. Донецке. Было установлено, что воздух в Ворошиловском районе города является наиболее загрязненным. Это объясняется тем, что в его окружении находятся промышленно насыщенные Куйбышевский, Ленинский, Буденновский районы.

Нами впервые было предложено провести обработку и прогноз концентраций загрязняющих веществ (ЗВ) по теории временных рядов, т.к. концентрации (ЗВ) изменяются как в пространстве, так и во времени и подвергаются влиянию многих случайных процессов . Концентрации ЗВ, занесенные в ряд, в зависимости от дня года составляют временной ряд, который является стационарным случайным процессом. Для анализа был выбран временной ряд концентраций диоксида азота по данным 2000 года. Предварительная проверка данных показала отсутствие тренда, т.е. числовой последовательности, элементы которой вычисляются по определенному уравнению, как функция времени t. Анализ коррелограммы позволил установить, что данный временной ряд является стационарным, т.е. среднее значение концентрации не меняется во времени.

Анализ данных проводился с помощью пакета программ статистической обработки STATGRAFICS с предварительным сглаживанием данных методами скользящего среднего. Для полученного ряда были определены коэффициенты уравнения авторегрессии по модели Бокса-Дженкинса и сделан прогноз по концентрации диоксида азота на 24 дня. Уравнение авторегрессии имеет следующий вид:

где 3,77·10-6 - дисперсия гауссовского белого шума; C(t-1) - предыдущее значение уравнения авторегрессии. Прогнозные значения концентраций диоксида азота отличались от измеренных на ± 28 %.

Аналогичным образом были определены:
уравнение авторегрессии для пыли:

Уравнение авторегрессии для фенола:

Уравнение авторегрессии для аммиака:

Уравнение авторегрессии для оксида углерода:

1. Э.Ю. Безуглая
" Мониторинг состояния загрязнения атмосферы в городах."

Изд. Гидрометеоиздат, Ленинград 1986 г., стр. 200.

2. Э.Ю. Безуглая, Г.П. Расторгуева, И.В. Смирнова

"Чем дышит промышленный город."

Изд. Гидрометеоиздат, Ленинград 1991 г., стр. 253.

3. А.В. Примак, А.Н. Щербань, А.С. Сорока

"Автоматизированные системы защиты воздушного бассейна от загрязнения."

Изд."Техника", Киев 1988 г., стр. 166.

4. Ю.Н. Тюрин, А.А. Маркаров, под. редакцией В.Э. Фигурнова.

"Статистический анализ данных на компьютере"

Изд. "Инфра-М", Москва 1998г.

5. Л.Р. Сонькин

" Синоптико-статистический анализ и краткосрочный прогноз"

Изд. Гидрометеоиздат, Ленинград 1991 г., cтр. 223.

Главная страница