Оценка эффективности использования сети недорогих сенсорных датчиков для сбора данных о загрязнениях в пограничных слоях атмосферы на основе анализа наблюдений за динамикой концентрации взвешенных частиц PM2.5 в Красноярске
Красноярск – один из немногих промышленных городов в России, где проводится крупномасштабный и непрерывный мониторинг содержания взвешенных частиц PM2.5 в приземном слое атмосферы. Данный ресурс посвящен анализу данных, полученных со станций системы наземного мониторинга двух типов:
Датчики сети КНЦ СО РАН разработаны и введены в эксплуатацию благодаря научной группе под руководством О.Э. Якубайлика, которыми также осуществляется эффективный сбор и систематизация данных измерений о загрязняющих веществах в атмосфере и их последующее использование при исследовании различных природных явлений (см. Геопортал ФИЦ КНЦ СО РАН http://gis.krasn.ru/blog/). Подсистема мониторинга КНЦ СО РАН имеет около 30 постов, расположенных в разных районах г. Красноярск, что обеспечивает хорошую детализацию информации о загрязнениях.
Подсистема КВИАС использует на своих стационарных постах анализаторы пыли модели E-BAM (производство «Met One Instruments Inc.», США), которые используются для измерения среди прочего уровня концентрации РМ2.5 в атмосферном воздухе. Принцип измерения этих приборов основан на ослаблении бета излучения твердыми частицами, осевшими на фильтрующей ленте. Анализаторы E-BAM признаны во всем мире в качестве эталонного оборудования для измерения содержания фракций PM10 и PM2.5 в атмосфере, рекомендованы к использованию, сертифицированы и аккредитованы во многих странах мира, в том числе в России.
Станция CityAir оснащена оптическими датчиками, у которых принцип измерения уровня концентрации PM2.5 основан на дисперсии светового потока. Оптические датчики менее точные по сравнению с анализаторами E-BAM.
Вне зависимости от своей принадлежности к одной из двух подсетей, рассматриваемые в работе наземные станции осуществляют сбор следующих показателей:
Для сравнения показаний датчиков, принадлежащих разным системам мониторинга существует 4 поста, на которых установлена измерительная аппаратура обоих типов. Это посты «Ветлужанка«,«Покровка», «Свердовский«,«Кировский» (см. раздел Карты). Данный ресурс содержит некоторые результаты сравнительного анализа четырехлетних рядов наблюдений на этих постах.
Результаты
В работе был предложен алгоритм сегментации числовых временных рядов, элементы которых имеют многомодальное распределение. Сегментация в данном случае означает отнесение каждого элемента ряда к классу с унимодальным распределением. Такая постановка задачи близка к задаче классификации элементов ряда по заданному признаку. В настоящее время предлагается использовать критерий нормальности для оценки полученных распределений, но в будущих работах…
Работа посвящена поиску эффективного алгоритма обнаружения выбросов в нестационарных одномерных временных рядах, представляющих собой натурные измерения. Так, нестационарность ряда характеризуется наличием изменчивого тренда в данных, а также гетероскедастичностью непостоянством дисперсии для отдельно взятых подпоследовательностей временного ряда. Неучет этих особенностей приводит к тому, что выбросы, связанные с поломками или неточностью аппаратуры, фиксирующей натурные измерения, могут быть…
В работе рассматриваются основные шаблоны, связанные с отказами оборудования, которые можно наблюдать в рядах данных системы экологического мониторинга города. Мы показываем, что отказы оборудования, регистрирующего метеорологические параметры, могут быть связаны не только с длительным отсутствием измерений. На примере данных, накопленных за шесть лет в распределенной сети мониторинга качества воздуха в Красноярске, мы описываем наблюдаемые шаблоны…
Интерактивные визуальные представления показателей температуры, влажности и PM2.5. Дисперсии для данных показатели в масштабах: квартал, месяц, неделя, сутки, час.
Проверка влияния сезонной классификации данных PM2.5 на точность калибровки датчиков.
В этом разделе несколькими методами обучения с учителем построены регрессионные модели, учитывающие логнормальность распределения данных об уровнях концентрации PM2.5 в приземном слое атмосферы г. Красноярска. Модели сравниваются по коэффициенту детерминации. Факторы регрессионных моделей: логарифм уровня концентраций PM2.5, полученных анализатором E-BAM (ln(PMm)); температура (ts), давление (ps) и влажность (hs), полученные с помощью датчиков станции CityAir. Отклик:…
Для оперативной корректировки PMs удобно использовать параметрическую модель множественной линейной регрессии методом наименьших квадратов, учитывающую показания температуры и давления. В этом случае фактором является концентрация PM2.5, измеренная оптическим датчиком CityAir, а для обучения модели в качестве отклика используются концентрации PM2.5, измеренные анализатором E-BAM. Ниже приведены формулы пересчета показаний оптических датчиков. (R2 — Коэффициент детерминации) 1.…
Распределения показаний (PM2.5, log(PM2.5), температура, давление, влажность для каждого из дублирующих датчиков) Пара CityAir – E-BAM, расположенная в Ветлужанке: Пара CityAir – E-BAM, расположенная на ул. Свердловская: Пара CityAir – E-BAM, расположенная в Кировском районе: Пара CityAir – E-BAM, расположенная в Покровке:
Регрессионный анализ показаний данных о концентрации взвешенных частиц PM2.5 датчиков сети КНЦ и КВИАС за период 2019-2022 гг.
Корреляционный анализ зависимости концентрации взвешенных частиц PM2.5 от показаний температуры, влажности и давления датчиков сети КНЦ и КВИАС по месяцам.
В Красноярске установлено 4 дублирующих датчика: «Д-Ветлужанка», «Д-Покровка», «Д-Свердовская», «Д-Кировский». Из показаний дублирующих датчиков видно, что в среднем концентрации РМ2.5, определяемые датчиком станции CityAir, более чем в 2 раза превышают аналогичные значения, определяемые приборами подсистемы КВИАС стационарных постов наблюдения.
Большая часть данных предоставленна проектом air.krasn.ru : Размещение эталоных датчиков Области максимальной корреляции показаний датчиков сети КНЦ СО РАН с показаниями скорректированных датчиков постов «vet», «pok», «svr», «kir» Полученные топографические области хорошо можно объяснить из следующих географических фактов. Во-первых, датчик s_pok находится на хорошо продуваемом высоком холме, вдали от транспортных развязок. Ожидаемо показания этого датчика…
