автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Исследование и разработка системы анализа экологической информации

РОССИЙСКАЯ АКАДЕМИЯ НАУК ИНСТИТУТ ПРОБЛЕМ УПРАВЛЕНИЯ им В А ТРАПЕЗНИКОВА

На правах рукописи УДК 504 064 001 8 004 5

ВЕРЕСНИКОВ ГЕОРГИЙ СЕРГЕЕВИЧ

ИССЛЕДОВАНИЕ И РАЗРАБОТКА СИСТЕМЫ АНАЛИЗА ЭКОЛОГИЧЕСКОЙ ИНФОРМАЦИИ

Специальность 05 13 11 - Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

и031В1429

МОСКВА, 2007

003161429

РОССИЙСКАЯ АКАДЕМИЯ НАУК ИНСТИТУТ ПРОБЛЕМ УПРАВЛЕНИЯ им В А ТРАПЕЗНИКОВА

На правах рукописи УДК 504 064 001 8 004 5

ВЕРЕСНИКОВ ГЕОРГИЙ СЕРГЕЕВИЧ

ИССЛЕДОВАНИЕ И РАЗРАБОТКА СИСТЕМЫ АНАЛИЗА ЭКОЛОГИЧЕСКОЙ ИНФОРМАЦИИ

Специальность 05 13 11 - Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

МОСКВА, 2007

Работа выполнена в Институте проблем управления им В А Трапезникова РАН

Научный руководитель Официальные оппоненты

Ведущая организация

доктор технических наук Лебедев Валентин Григорьевич

доктор технических наук, профессор Степин Юрий Петрович

кандидат физико-математических наук Бодякин Владимир Ильич

Федеральное государственное унитарное предприятие «Государственный научно-исследовательский институт органической химии и технологии»

Защита диссертации состоится « ¡2» Н^Я ¿у1 ^ 2007 г в // на

заседании диссертационного совета Д 002 226 03 Института проблем управления им В А Трапезникова РАН по адресу 117997, г Москва, ул Профсоюзная, д 65

С диссертацией можно ознакомиться в библиотеке Института проблем управления им В А Трапезникова РАН

Автореферат разослан «_»_2007 г

Ученый секретарь Е В Юркевич

диссертационного совета, доктор технических наук

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы диссертации. Разработка эффективных систем экологического мониторинга потенциально опасных технологических объектов способствует своевременному принятию мер по предотвращению или уменьшению последствий нештатных и аварийных ситуаций, являющихся причиной выбросов загрязняющих веществ Чтобы получить адекватное описание сложившейся экологической ситуации проводится анализ информации, поступающей в систему экологического мониторинга Эффективность систем экологического мониторинга во многом определяется способностью системы анализа экологической информации точно идентифицировать и прогнозировать экологическую ситуацию

Анализ затрудняется тем, что в силу объективных причин (например, отказы измерительной аппаратуры, каналов передачи информации) часть экологической информации может быть некорректной или отсутствовать Это определяет необходимость разработки или выбора методов анализа информации, имеющих высокую результативность в условиях нечеткой и неполной исходной информации

Современные методы анализа информации, включающие последние достижения статистики, технологий интеллектуального анализа данных (ИАД) позволяют находить закономерности, которые могут быть с успехом использованы для целей экологического мониторинга Их применение позволяет повысить эффективность контроля и защиты окружающей среды от загрязнений, что в свою очередь снижает риск нанесения вреда здоровью людей

Во многих системах экологического мониторинга анализ экологической информации ограничивается сравнением измерений экологических параметров с предельно-допустимыми нормами или использованием отдельных, не связанных между собой методов анализа информации Исследование возможности комбинирования методов анализа информации и объединение их в единую систему, способно обеспечить более высокую точность оценки и прогноза экологической ситуации

В связи с этим в диссертации проводится исследование и разработка

• общих принципов построения систем анализа экологической информации,

• методов анализа, оценки и прогнозирования экологической ситуации Созданная система анализа экологической информации решает актуальную задачу повышения адекватности оперативных решений по управлению сложившейся экологической ситуацией

Цель и задачи работы Целью диссертационной работы является исследование и разработка системы анализа экологической информации, входящей в систему экологического мониторинга, для безопасного функционирования потенциально опасных технологических объектов

Для достижения данной цели в диссертации решаются следующие основные задачи

• исследование современных методов анализа информации и возможностей их применения в задачах экологического мониторинга,

• разработка архитектуры системы анализа экологической информации,

• разработка информационной модели окружающей среды,

• формализация задачи идентификации экологической ситуации,

• разработка формального описания нештатных ситуаций и условий их возникновения,

• разработка алгоритмов идентификации экологической ситуации,

• исследование методов прогнозирования экологической ситуации для целей оперативного управления,

• исследование методов устранения нечеткости и неполноты экологической информации,

• разработка алгоритмов и программного обеспечения для построения модуля идентификации экологической ситуации

Методы исследования. Проведенные теоретические и прикладные исследования базируются на использовании методов математической статистики, прогнозирования, оптимизации, теории нейронных сетей

Научная новизна. В результате проведенных исследований, анализа и обобщения опыта управления экологической безопасностью получены следующие научные результаты

• разработана и исследована архитектура системы анализа экологической информации для поддержки принятия оперативных решений,

• исследованы методы устранения нечеткости и неполноты экологической информации для выбора наиболее предпочтительных методов в целях повышения точности идентификации и прогноза экологической ситуации,

• предложен метод формализации задачи идентификации экологической ситуации,

• разработан метод построения модуля идентификации экологической ситуации,

• разработан метод построения функции идентификации экологической ситуации,

• исследованы методы прогнозирования экологических параметров для выбора метода, обеспечивающего наибольшую точность прогноза

Достоверность. Достоверность научных положений, выводов и практических рекомендаций, полученных в диссертационной работе, подтверждена обоснованием и экспериментальной проверкой разработанных методов и структур программного обеспечения, а также результатами практического использования предложенных в диссертационной работе методов, алгоритмов и программных средств

Практическая ценность и реализация результатов Разработанные в диссертации методы, алгоритмы и программные средства системы анализа экологической информации позволят повысить уровень безопасности эксплуатации потенциально опасных технологических объектов

Практическая ценность полученных результатов подтверждается их ис-

пользованием в системах производственного экологического мониторинга объектов хранения и уничтожения химического оружия

Апробация работы. Основные положения диссертационной работы докладывались и представлялись на следующих конференциях восьмая международная конференция по проблемам управления безопасностью сложных систем (Москва, 2005), пятая международная конференция САО/САМ/РБМ - 2005 (Москва, 2005), третья международная конференция по проблемам управления (Москва, 2006), шестая международная конференция С АО/САМ/РОМ - 2006 (Москва, 2006), третья международная конференция «Параллельные вычисления и задачи управления» (Москва, 2006)

Публикации. Основные результаты научных исследований по теме диссертации содержатся в 11 публикациях, в ж числе 2 публикации в ведущих научных журналах перечня Высшей аттестационной комиссии

Структура и объем диссертационной работы Работа состоит из введения, пяти глав, заключения, содержит 166 страниц текста, 74 рис , 18 табл , список литературы из 117 названий

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность, формулируется цель и основные направления исследования Изложена научная новизна, практическая ценность и достоверность полученных результатов диссертационной работы

В первой главе диссертации исследуются методы анализа экологической информации в системах экологического мониторинга Рассматриваются модели для оценки и прогнозирования загрязнений окружающей среды Исследуются последние достижения статистики, технологий интеллектуального анализа данных, позволяющие находить закономерности, которые могут быть с успехом использованы для целей экологического мониторинга Обосновывается необходимость исследования и разработки системы анализа экологической информации

Современные системы экологического мониторинга включают подсистемы первичных измерений, сбора, передачи, накопления и обработки полученных данных, анализа экологической и метеорологической информации, поддержки принятия решений по управлению экологической обстановкой

В системах экологического мониторинга известны два подхода к организации мониторинга по основным загрязнителям

• система мониторинга основывается на контроле предельно допустимых выбросов (ПДВ) с последующим моделированием распространения загрязнений и учетом метеоусловий,

• система мониторинга основывается на контроле предельно допустимых концентраций (ПДК)

Наиболее распространенными являются системы экологического мониторинга, основанные на контроле ПДК Система мониторинга загрязнений на основе контроля ПДК в зоне влияния выброса требует решения задачи идентификации и прогнозирования экологической ситуации на основе анализа

экологических и метеорологических параметров, полученных в точках контроля

В диссертации отмечается, что статистические подходы не всегда подходят для обработки данных, сочетающих числовые и нечисловые (качественные) переменные, к анализу нелинейных взаимосвязей в данных Поэтому предлагается в этом случае для анализа экологической информации использовать методы интеллектуального анализа данных Другим аспектом целесообразности использования технологий интеллектуального анализа данных для обработки данных экологического мониторинга, является необходимость анализа в условиях неопределенности, обусловленной неполнотой и неточностью поступающей информации (например, при отказе измерительной аппаратуры, задержке проведения некоторых видов анализов во времени и др )

Были выделены следующие задачи, которые должны решаться в процессе анализа экологической информации

• идентификация экологической ситуации,

• прогнозирование и определение тенденций изменения экологической ситуации,

• восстановление пропусков в данных,

• выявление некорректных значений,

• поиск связей в данных

Методы решения этих задач используются для реализации системы анализа экологической информации

Во второй главе предлагается архитектура системы анализа экологической информации(рис 1)

Информация из базы данных экологического мониторинга, поступает в блок подготовки данных для проведения анализа и построения моделей (блок 2) В этом блоке производится поиск связей между экологическими параметрами, ищутся некорректные значения, которые могут отрицательно сказаться на адекватности построенных моделей, восстанавливаются отсутствующие значения в экологической информации

Исходной информации из базы данных экологического мониторинга недостаточно, чтобы строить модели для идентификации экологической ситуации, так как она не содержит измерений экологических параметров, соответствующих всем предусмотренным экологическим ситуациям Для получения дополнительной информации о нештатных и аварийных ситуациях предназначен блок 1 Информация, поступающая из блоков 1 и 2 используется для построения моделей идентификации экологических ситуаций

После того как модели для идентификации построены, они используются для анализа текущей экологической информации

Текущая экологическая информация обрабатывается в блоке 2, после чего производится идентификация экологической ситуации (блок 4) на основе моделей, полученных из блока 3 и прогнозирование (блок 5)

Получение отсутствующих данных об 1 Экологическая

экологических ситуациях информахщя из базы

Метод экспертных Моделирование данных экологического

оценок экологических мониторинга

1 1 ситуаций Гр2

Построение моделей для идетификации экологической ситуации Г3Г

Подготовка данных для гроведения анализа и построения моделей

Поиск связей в данных ^

Ш1

Восстановление пропусков в

данных

Выявление ижоррекпных

значений

23

экологической ситуации

ж

Прогнозирование

Определение тенденций изменения экологических параметров [ЗГТ

Прогнозирование значений концентраций на основе анализа

временных рядов ^ ^

Рис 1 Архитектура системы анализа экологической информации

Информация из блока прогнозирования поступает в блок 4, для идентификации экологической ситуации

Результаты анализа, полученные в функциональных блоках прогнозирования и идентификации экологической ситуации, предназначены для системы поддержки принятия оперативных решений

Для формирования и хранения информации о состоянии окружающей среды построена информационная модель окружающей среды Отражением информационной модели окружающей среды является модель вида сущность-связь, лежащая в основе базы данных, предназначенной для хранения экологической информации Она базируется на определении основных типов сущностей, позволяющих описывать состояние окружающей среды, и их атрибутов, описывающих свойства каждой сущности, определении связей между сущностями и набора ограничений целостности, гарантирующих корректность использования данных Информационная модель окружающей среды строится с целью анализа и оценки состояния экологической обстановки и тенденций ее изменения На рис 2 представлена структура данных информационной модели окружающей среды

Оперативные данные

Cotumn Ñame

Мест 6

9 бещеоео

[Дата-время]

Значение

Широт а _г рад

Шц»т а_нт

Допгота_град

Долгота г*«

°° г-

Автоматические сигналы

Cotumn Neme

Я Место

Вещество

Ср*да

Чфстога_и1мерений

— [Дата-ереня] Значение

npiífiopti

Cotorri Mame

Тип

[Место рас/юложгтия} [Дата поступления] [Дата уст^йвкч] [Дата последней поирги] [Дат5 спедугскцей поверки]

Контролируемые вещества

вещество Ср^да

Тнплатчнка

ГЩКпр ТДКсс Размерность

Регламент

CobjranNeme

<3]Чхтотз_и1меремим

Контролируемые среды

ColunvaMame

V]Среда

Типы приборов

CoJumn Ñame

Тип

\ источники сообщении

Coiumn Ñame

— Источник

Г1ри>нак

События

Coturno Ñame

S? Код_сообшения

Дата_6ремя

Событие

Источник

— Тип „датчика

Типы событий

CoiumnName

Событие

Описание события

Рис, 2. Структура данных информационной модели окружающей среды

Во второй главе исследуются методы восстановления пропусков в данных, выявления некорректных значений, поиска связей в данных, используемые в блоке подготовки данных для проведения анализа и построения моделей.

Для восстановления пропусков в данных исследованы три метода для выявления наиболее предпочтительного метода:

• построение аппроксимирующей функции, отражающей изменение экологических параметров во времени;

• построение функции, отражающей зависимость восстанавливаемого параметра от других экологических параметров;

• алгоритмы семейства \VANGA.

Метод построения аппроксимирующей функции показывает хорошие результаты при восстановлении одного пропущенного значения. Во всех случаях ошибка не превышала 3%. Однако восстановление нескольких значений не всегда дает хорошие результаты. В некоторых случаях уже при восстапов-

лении трех пропущенных значений ошибка превышала 20%. В результате Проведенного множества экспериментов было зафиксировало преимущество метода восстановления пропусков в данных на основе построения функции, отражающей зависимость восстанавливаемого параметра от других экологических параметров (ошибка при восстановлении трех пропущенных значений не превышала 10%). На рис. 3 представлен пример восстановления 3-х отсутствующих значений концентрации диоксида азота. Алгоритмы семейства WANGA показывают точность восстановления хуже, чем первые два метода, даже при восстановлении одного значения (ошибка восстановления больше 8%). На основе проведённых исследований в системе анализа экологической информации рекомендуется использовать метод восстановления пропусков в данных на основе взаимосвязей между экологическими параметрами.

номер наблюдений

—Восстановленные значения -•*-■ Реальные значения

Рис. 3. Восстановление трех отсутствующих значений концентрации диоксида азота методом построения функции, отражающей зависимость восстанавливаемого параметра от других экологических параметров

Другой важной задачей, является задача выявления некорректных значений экологических параметров.

В силу неисправности оборудования ИЛИ других объективных причин значения экологических параметров, полученные в процессе экологического мониторинга, могут значительно отличаться от реальных значений. Предлагается проводить предсказания каждого значения экологических ггараметров с номощыо методов восстановления отсутствующих значений. В том случае, если замеренное значение значительно отличается от предсказанного, делается вывод о возможной некорректности данного значения и необходимости его

проверки.

В диссертации исследована задача поиска взаимосвязей между экологическими параметрами. Для оценки тесноты связи использовался коэффициент корреляции Пирсона. Для визуализации связей между экологическими параметрами выбран метод «корреляционных плеяд» Терентьева, обладающий лучшими возможностями визуализации по сравнению с другими методами. Экологические параметры выступают в качестве узлов, а значения коэффициентов корреляции определяют наличие или отсутствие связи. Посредством постепенного уменьшения порогового значения строится последовательность графов (корреляционных плеяд) (на рис 4 представлен граф, сформированный методом корреляционных плеяд при пороговом значении 0,7), Найденные взаимосвязи в данных используются в задаче восстановления отсутствующих значений. Проведенные исследования показали, что восстановлению пропусков в данных на основе взаимосвязей между экологическими параметрами должна предшествовать процедура поиска связей в данных. Это позволяет повысить точность восстановления отсутствующих значений на 2-Я %.

Рис. 4. Граф, сформированный методом корреляционных плеяд при пороговом значении 0,7

В третьей главе рассматривается задача идентификации экологической ситуации. Под экологической ситуацией будем понимать совокупность воз-

10

действий на окружающую среду источника загрязнения (выбросы вредных веществ) и условий, определяющих характер этих воздействий (особенности источника и местности, метеорологические параметры)

В диссертации сформулирована задача идентификации экологической ситуации В каждый момент времени t для каждой точки контроля существует вектор экологических и метеорологических параметров

= (Х1,1' Х1,2 ' >х1,п )

Обозначим через У, = (_у( ], у,2, ,У,т) вектор, с помощью которого дается оценка экологической ситуации в момент времени t Элементы вектора У являются качественной оценкой неизвестных характеристик экологической ситуации по заранее определенной шкале В шкале кодируются

• тип нештатной или аварийной ситуации,

• место возникновения нештатной или аварийной ситуации,

• уровень опасности,

• тип опасности и т д

Задача идентификации экологической ситуации заключается в том, чтобы на основе анализа информации, полученной в процессе экологического мониторинга, определить вектор У1, характеризующий сложившуюся экологическую ситуацию

Предлагается следующий подход к идентификации экологической ситуации В каждой точке контроля на основе текущего вектора экологических и метеорологических параметров X1, определяется вектор Уп характеризующий сложившуюся экологическую ситуацию Затем проводится анализ результатов идентификации, полученных во всех точках контроля, и делается вывод о текущей экологической ситуации, то есть делается окончательный вывод о векторе У!

Согласно этому подходу методами теории нейронных сетей для каждой точки контроля строится функция идентификации экологической ситуации, которая является отображением (р X —> У, множества входных векторов

X е Я" в множество выходных векторов У е Ят

Закономерности, которые используются, чтобы текущим измерениям экологических параметров сопоставить оценку неизвестных характеристик экологической ситуации, являются трудно формализуемыми Для поиска и построения этих закономерностей предлагается использовать нейронные сети С их помощью формируются логические правила, основываясь на эмпирической выборке, состоящей из пар вида < X, У > Так как системы экологического мониторинга характеризуются недостаточным количеством накопленной информации о нештатных и аварийных ситуациях, предлагается формировать обучающую выборку, осуществляя математическое моделирование экологических ситуаций, измерения по которым отсутствуют

Опишем методику построения обучающей выборки для точки контроля с координатами (хк, ук ) Построение обучающей выборки состоит из четырех этапов

1 Формирование перечня нештатных ситуаций с указанием диапазонов значений выбрасываемых вредных веществ

Нештатная ситуация описывается

• расположением источника выброса,

• условиями выброса, задаваемыми технологическими особенностями источника,

• набором вредных веществ, которые будут выброшены в атмосферу,

• диапазонами, в которых возможно изменение уровня выброса каждого вредного вещества

Когда источник загрязнения представляет серьезную экологическую опасность, создается документ, содержащий эти данные

2 Формирование возможных вариантов экологических ситуаций путем варьирования уровней выброса и параметров окружающей среды в заданных диапазонах

Конкретный вариант нештатной ситуации задается комбинацией параметров <(хв, ув), $, и >, где хв и ув координаты источника выброса, = , Л'я) - вектор, элементами которого являются уровни выброса

вредных веществ, V - вектор, содержащий значения параметров, влияющих на распространение вредных веществ и определяемых технологическими особенностями источника

На распространение вредных веществ в атмосфере также влияют условия окружающей среды Обозначим через Е вектор, содержащий параметры окружающей среды, которые необходимы для расчета концентраций вредных веществ в точке контроля с координатами (хк ,ук) Часть параметров изменяется во времени и входит в состав параметров, измеряемых в процессе экологического мониторинга Обозначим ее через Еизи Другая часть параметров является постоянной и характеризует местность, на которой происходит распространение вредных веществ Обозначим ее через Епост

Варьируя элементы (л-,в заданных диапазонах и параметры вектора Еизм в допустимых пределах, получаем различные варианты нештатной ситуации <(хв, ув), , II>, возникающие при различных условиях Е , то есть формируем варианты экологических ситуаций, используя условие Е <{хв, ув), Б, и, Е>

3 Расчет концентраций в точках контроля для каждого варианта экологической ситуации

Для каждого сформированного варианта экологической ситуации, используя значения (хв, ув),(хк, ук), II, Е , рассчитываются концентрации в каждой точке контроля по всем вредным веществам на основе стандартных методик расчета вредных веществ (ОНД-86) Затем оценивается тип и уровень опасности каждого варианта экологической ситуации, исходя из концентраций вредных веществ, полученных в результате моделирования и расположения населенных пунктов вокруг источника загрязнения 4 Формирование пар вида < X, У >

Формируются векторы X, состоящие из рассчитанных концентраций вредных веществ и изменяемой части вектора Е Векторы X образуются исходя из конкретной экологической ситуации и места ее возникновения, поэтому качественные оценки экологической ситуации включаются в вектор У

В результате каждому сформированному вектору X сопоставляется вектор У , то есть образуется выборка, состоящая из пар вида < X, У > Полученная обучающая выборка используется для построения отображения (р

Состав параметров, входящих в векторы II и Е , зависит от конкретной методики расчета распространения вредных веществ и характеристик источника выброса

Функции ср строятся для всех точек контроля и в дальнейшем используются, чтобы в каждой из них получить вектор У,, характеризующий сложившуюся экологическую ситуацию Окончательный выбор вектора У1 осуществляется на основе анализа результатов идентификации, полученных во всех точках контроля

Способ проведения анализа зависит от типа источника выбросов Рассмотрим пример для точечного непрерывного источника выброса, когда диаграмма распространения вредных веществ имеет форму факела (рис 5)

Во всех точках контроля, изображенных на рис 5, определяется вектор У\ Пусть в точках контроля 1-3 получен результат идентификации, отличающийся от результатов в других точках, и стали известны компоненты вектора Уг - тип и место возникновения нештатной или аварийной ситуации На основе этой информации строятся границы факела распространения вредных веществ Так как внутрь границ факела попадают точки контроля 1-3, то функции ср для этих точек дают одинаковый результат идентификации экологической ситуации (одинаковый вектор У1) Следовательно, делается вывод о том, что вектор У(, полученный в точках контроля 1-3, является результатом идентификации сложившейся экологической ситуации На основе текущего вектора У1 = (у1 2, ,У, т) принимается решение о принятии мер по разрешению идентифицированной экологической ситуации

Й

Точка контроля №1

а

а

Точка контроля №2

Направление ветра -►

а

а

Точка контр оля

а

8

Рис. 5. Факел распространения вредных веществ, на схеме расположения точек контроля в системе экологического мониторинга

Данный метод построения обучающей выборки был испашьзован при построении функций идентификации экологической ситуации для точек контроля, входящих в Систему экологического мониторинга объекта хранения и уничтожения химического оружия.

ГЗ рамках задачи идентификации экологической ситуации были рассмотрены подходы к решению проблемы пересечения классов (каждый вектор К,, залает класс, к которому относится вектор Х(). Часто в процессе экологического мониторинга по имеющимся экологическим данным нельзя сложившуюся Ситуацию однозначно отнести к одному определенному классу. В этом случае система анализа экологическом информации должна указывать оператору на возможность нескольких вариантов идентификации сложившейся экологической ситуации.

При построении выборки для обучения нейронной сети возникает проблема. которая заключается в том, что одному вектору X, ставится в соответствие несколько векторов У\. Обучить нейронную сеть на данных, в которых есть пересечение множеств выходных векторов, нельзя, так как нейрон-пая сеть не может быть обучена на противоречивых данных. Был предложен подход, основанный на построении для каждого множества, входящего в пересечение. отдельной нейронной сети. На рис. 6 изображен ансамбль нейронных сетей, предназначенный для выполнения классификации на классы К|, К2, Кпересекающиеся между собой.

Принадлежит к классу К1 Не принадлежит к классу К{

Принадлежит к классу К2 Не принадлежит к классу К2

Принадлежит к классу Кп Не принадлежит к классу Кп

Рис 6 Ансамбль нейронных сетей для классификации на пересекающиеся классы Кг, К2, ,Кп

Получаем множество нейронных сетей, каждая из которых производит классификацию на два класса целевой (целевые классы - это классы К1, К2, , Кп на которые производиться классификация) и его дополнение При подаче на вход вектора экологических параметров каждая нейронная сеть относит вектор либо к целевому классу, либо к его дополнению В том случае, когда две и более нейронных сети относят вектор к целевому классу, это означает, что вектор принадлежит пересечению классов, соответствующих этим нейронным сетям

В четвертой главе рассматривается задача прогнозирования экологических ситуаций

Предлагается использовать следующий метод прогнозирования экологической ситуации На первом этапе осуществляется прогнозирование отдельных экологических параметров На втором этапе производится общая оценка предсказанных параметров с целью определения ожидаемой экологической ситуации

Фактически в блоке, осуществляющем идентификацию экологической ситуации используется информация из блока прогнозирования экологических параметров (рис 7)

Рис 7 Связь между идентификацией и прогнозированием экологических параметров

В системе анализа экологической информации, в блоке прогнозирования экологических параметров предлагается использовать адаптивное прогнозирование При этом модели текущих динамических последовательностей строятся по коротким выборкам (приблизительно 20-50 наблюдений) и постоянно пересчитываются с учетом вновь поступивших наблюдений

Для прогнозирования экологических параметров в диссертационной работе исследуются статистические методы автопрогноза и прогнозирование с использованием нейронных сетей В этой главе описываются результаты использования и сравнения указанных методов

Статистическое прогнозирование стационарных временных рядов предлагается проводить с помощью авторегрессионных моделей (AR) и в рамках методологии Бокса-Дженкинса, специфицирующей ARMA(p,q) -модели (авторегрессии порядка р и скользящего среднего порядка q) При прогнозировании нестационарных рядов рассматриваются классы нестационарных ARMA моделей TS и DS модели

Исследования, проведенные в диссертационной работе, показали, что модели ARMA и ARIMA в большинстве случаев показывают более высокую точность прогноза экологических параметров, чем авторегрессионные модели и нейронные сети На рис 8 представлен пример прогнозирования изменения концентрации оксида азота на шесть шагов (шаг составляет 20 минут), с помощью AR, ARMA - моделей и нейронной сети

В диссертационной работе сделан вывод о том, что использование ARMA, ARIMA моделей для прогнозирования экологических параметров является более предпочтительным, чем применение авторегрессионных моделей и нейронных сетей

0 007

rt •

I o.rosa jj- 0.0066

1 0,0064 £ 0,0062 Sf 0,006

2 D.0058

- Д e йс тъительные значения

АВД

- ARMA(5.8) ■Нейронная сеть

шаг прогноза

Рис. 8. Сравнение результатов прогнозирования, полученных с помощью моделей AR(7), ARMA(5,8) и нейронной сети, с реальными данными

В пятой главе описывается практическое использование результатов исследований диссертационной работы. Проведенные в диссертационной работе исследования использовались для создания системы анализа экологической информации объектов хранения и уничтожения химического оружия.

В соответствии с предложенной во второй главе архитектурой системы анализа экологической информации (рис. 1) для реализации функциональных блоков используются:

• блок I - инструментальное программное средство подготовки обучающей выборки для построения модуля идентификации экологической ситуации;

• блок 2,1 - модуль поиска связей в данных;

• блок 2.2 - модуль восстановления пропусков в данных;

• блок 2.3 - модуль выявления некорректных значений;

• блок 3 - аналитический пакет Deductor Studio 4.4, в котором путем обучения нейронных сетей осуществляется построение моделей для идентификации экологической ситуации;

• блок 4 — модуль идентификации экологической ситуации;

• блок 5.1 - модуль определения тенденций изменения экологических параметров;

• блок 5.2 - модуль прогнозирования экологических параметров Инструментальное программное средство подготовки обучающей выборки для построения модуля идентификации экологической ситуации включает:

• блок построения информационной модели источника загрязнения;

• блок моделирования экологических ситуаций;

• блок формирования обучающей выборки;

Построение информационной модели источника загрязнения. С помощью этой подсистемы формируется информация, необходимая для математического моделирования экологических ситуаций. Структура информационной модели источника загрязнения представлена на рис. 9.

КодТсгкЖотригы

мсндоТо^мкдодоя

:КОД WC "Г <у»ч*:аЗЛф*5ме**1<1

координат** ХСЮС>Д»*»атд¥

KOSd>T««C т сйтцфАтимО*(5«>*

Kg >J>f4.rfc*iMHftt т>*Х Тк

\

КАйЛОТММИЬЮгЛ^фоСЛ

HjWbjrt*

КОО0Д»*Й(Т«{

КООбДНМОДУ

КддНвнглиом! rttyAMi

КиСбъа тлНони тир»»* л

TfMrtetiiTyiHChrtH ¿rtweiroViibfl

■ thö*

КсщЦ . :/1»«i»r'

мвыние Cmi-iMH?

Рис. 9. Структура информационной модели источника загрязнения

В блоке моделирования экологических ситуаций, на основе информационной модели источника загрязнения формируются варианты экологических ситуаций и осуществляется их моделирование. После моделирования экологических ситуаций производится формирование обучающей выборки. Результатом работы этого блока является формирование обучающей выборки, необходимой для создания модуля идентификации экологической ситуации (блок 4).

Обучающая выборка используется для построения нейронных сетей в пакете Dednctor Studio 4.4 (блок 3), на основе которых осуществляется идентификация экологической ситуации (блок 4).

Для каждой точки контроля в соответствии с метопом, разработанным в третьей главе, построены нейронные сети, являющиеся функциями идентификации экологической ситуации. На основе этих нейронных сетей разработан модуль идентификации экологической ситуации, для которого входной информацией является вектор экологических и метеорологических параметров, выходной информацией - вектор, характеризующий экологическую ситуацию

В программе предусмотрен режим моделирования отдельной нештатной ситуации, который используется, чтобы рассчитать основные показатели выброса для отдельной экологической ситуации и построить для нее факел

распространения вредных вешеств. Уровни концентрации изображаются на карте разными цветами (рис. 10),

Настроим («сгнести | Параметры выброса | Варьиро»»*е гираметров | Р«адогогы &эрьироь»«я гирйглщроо |

з Г:_Г-г.:"' т-^то^^ч

Ма*С№нль*ее значение полэвмяой ц.ениемгоаиии прк идблагоприй1^« ЧР«**«*

¡12.6342475432022 "" Растояние от кгочника оибоосзс. на котсоом концетрдциядос*нгайт максимального значения

¡82368

Зиачеми« скорости мгра ма ^роенй флсгера (10м.) при которой досЯ<г«тся максимально концентрация

[ГУ—-

К&5рд1иаты выброса га * [ЗЗО поу|т750"

113444897529547

_Расчет | Посгрмт«« Факела

Объект УХО

Значение коццвгращян вреднь«« веш.ветв

ий рлстоями у по гсгрг*?аи.^яяру у оси Факела

_Р«сч*г_I

Настройся №1м9Ияемь« параметров

Раето#№е от Рлсгоя»« от Скорость мстсммкд по оси Факела по ветра (м/с] оси Факела (м) (м)

(5 рО [То"

%

Рис. 10. Фрагмент интерфейса блока моделирования отдельной нештатной ситуации

В модуле определения тенденций изменения экологических параметров для выявления наличия тенденции используются: метод средних, фазочастот-ный критерий знаков первой разности, метод Кокса-Стюарта, метод серий, метод укрупнения интервалов. Решение о наличии тенденции изменения экологического параметра принимается, если большинство из указанных методов указывает на это. В том случае, если гипотеза о наличии тенденции принимается, строится тренд и определяется значение экологического параметра на 3-10 шагов вперед. Полученный прогноз экологических параметров используется для оценки экологической ситуации.

Для разработанного модуля прогнозирования экологических параметров входной информацией является ряд переменной длины, отражающий изменение {-го экологического параметра. Результатом работы этого модуля является исходный ряд, дополненный значениями прогноза. Структура модуля прогнозирования представлена на рис. I!.

Полученные в результате прогноза экологические параметры подаются па вход модуля идентификаций экологической ситуации (блок 4), для получения прогноза экологической ситуации.

Определение класса моделей, к которому относится временной ряд

Преобразованный »яд

к

Класс

стац ионарному виду методом,

моделей А соответствующим классу моделей

Преобразованный ряд

Отбор моделей, наилучшим

образом описывающих стационарный временной ряд

Набор отобранных моделей.............

Выбор оптимальной модели

Оптимальная

^ модель_

Оценка коэффициентов оптимальной модели

ГКоэффицненпы

[модели

Прогнозирование

Прогноз

преобразоважого ряда

Приведение ряда к исходным единицам измерения

Рис 11 Структура модуля прогнозирования экологических параметров

В модуле восстановления пропусков в данных для каждого ] -го пропущенного экологического параметра используются блоки восстановления и корректировки пропущенных значений

В блоке восстановления пропущенных значений прогнозируются пропущенные элементы на основе истории изменения экологических параметров во времени Для этого используется модуль прогнозирования экологических параметров

В блоке корректировки пропущенных значений осуществляется повторное прогнозирование с учетом данных, поступивших после пропущенных значений Блок корректировки пропущенных значений связан с блоком поиска связей в данных (пример восстановления 6 пропущенных значений концентрации углеводорода представлен на рис 12)

20

Длтл и cptvn мог МО со SQ7 СН '■ UptJtTfc »prfi MbL£ ¡4" . « ' i Р J в • âepriw&rv Ч ; Ч С 040029

01 06.04:14(0 00IÎW7 о доввг 4^14 757 4943 13 3143

м œ 04 ам 0/320464 0.007E1Î 0.0575 ÎS79Ï7 13ÎSC47 1,70533 755.5965 10.9512 51.5532 0.3326S

игщш з 40 0ХЛЭЭ6 ОДОТЗИ S4ÙI6Î7 шяш лрапт 1 .>7543 S 157314 ;€J 5714 '55.6574 50,3143 аз®»

Й?Эь04 I сю 0Я1945 0.006453 0 4Û1?S7 ÎJ^OnyTJÎ 1371917 23tm 177 2S57 75S.76E1 195.737 «¿439

(К 06 04 4 Л огимш 0TO5J6 у t jÇt. о.««»» HPORVU 1.Ю J CI 1911 1Ж.911Э 755.0097 ■и.lit;

02 06 СИ 4 40 ошвие S ОШВ! 013561 lymnyt* 1343965 r 2 10794 132.2353 755.6363 lajaaaî 0 6Ï7M

О? ОВ M 5Ш 0В186Я ишиь а<шгъ V' * 1,95553 U282Ï 765 Ж) 47S7K 0.43324

02 0604 530 о.шееез 00074?? [_ а.ЩШ 0.0621795 flpti ' y1' 1.M171 Ipi'iX 110.6177 ЮЬЖ- гмгвз 45.264? 0,4

сгоьо4 5 œ ояТЯй 0OT7S7I 033Ж27 on«Э15Й £?4зав4 1 jj!JÎ33 Î.I4Î0B (ÎSJ941 745 от я.вас 16.1177 Û.33

кое ci19 га шйдаж одазй 07343Э7 ссда>: S.£çet4i 1 Г3476 ijhhs од.^го:1! 75? .47 35.794 5 o.îîTœ

Поиск.взаимосвязей «жду экологическими параметрами с помощью коэффициента корреляции Пирсона

1

ног «О со soa Оавоаь " if".:' и." ветра "A"Y ■ ÏVUTttfpï-тура ВЛАЖНОСТЬ Bf| l'v haï. ç , роль stiîpa

сн 0,76 0.13 0JS— -о.п 0,94 -ose -0.11 4557 4JS7 0.05 4)34

t

Выбор экологических параметров, на основе которых буду! восстанавливаться ар о пущенные значения (выбираются параметры для которых коэффицеит корреляции больше порогового значения, задаваемого настройками системы;

^Диоксид азота, метан, температура, влажность

Обучение нейронной сети для восстановления пропусков в данный

N02 \ Метан ■ Температура Влажность

'СЕ

«02 Темлера-ОГР" ВЛЙЖ. носгъ

ог os 04 з 40 0,01836 1.375418 19.33686 50.3t423

02.06 04 i DO 0.01945 1.371917 13,57371 4Э .5423S

02.05 04 4 20 0,01991В ! .352554 19 92206 43.44113

32 06 04 4 40 __0£1S4Sg 1.342955 13.93206 4Э.Э5832

03 œ 04 5 œ 0,018623 1,33962/ 20.48912 47,57647

Û2 0BDJ520 0,01 &Ш 1.320121 21.12323 45^6471

X

Восстановление пропущенных значений с помощью обученной нейронной сети

1..Ч- вреыз CH

02.06 04 3 40 3,007972627

02 05.04 4.00 3,070545997

02 06 04 4 20 2.944974181

02.06 04 i 40 2565802171

02 Π04 5 00 2501988003

02 06.04 5:20 2.93125972

ai <sî (л ci 56 од сз к пл s: м m tst&f, см 02 ое- и юм о< i:i pi ot dî и. ад

1î ÏI ООО 3:34 4 40 7 1? 3 36 17 СО 1174

Рис. ]2. Структура блока корректировки пропущенных значений

21

В блоке восстановления пропусков в данных производится предсказание экологических параметров, по которым есть измерения Эта информация необходима для модуля выявления некорректных значений Уровень различия между предсказанным и измеренным значением, с помощью которого определяется некорректность значения, задается настройками системы После получения информации о некорректном значении, принимается решение заменить его значением, полученным на этапе восстановления пропущенного значения

Все разработанные модули использованы при построении системы анализа экологической информации для объектов хранения и уничтожения химического оружия Разработанная система анализа экологической информации используется в системе производственного экологического мониторинга объектов хранения и уничтожения химического оружия

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В диссертационной работе получены следующие основные теоретические и практические результаты

1 Разработана и исследована архитектура системы анализа экологической информации для оперативного управления

2 Предложен метод построения модуля идентификации экологической ситуации, дающего оценку сложившейся экологической ситуации на основе вектора экологических и метеорологических параметров

В рамках данного метода

• формализована задача идентификации экологической ситуации,

• разработан метод построения функции идентификации экологической ситуации для точки контроля,

• предложен алгоритм, позволяющий указать оператору на возможность нескольких вариантов идентификации экологической ситуации (задача пересекающихся классов)

3 Разработан метод прогнозирования экологической ситуации на основе предсказания отдельных экологических параметров и их последующей оценки с помощью модуля идентификации экологической ситуации Проведено исследование и сравнение методов прогнозирования экологических параметров, что позволило выбрать метод, обеспечивающий наибольшую точность прогноза

4 Исследованы методы поиска и визуализации связей в данных экологического мониторинга для повышения точности восстановления пропусков в данных

5 В результате исследования и сравнения методов восстановления пропусков в данных для системы анализа экологической информации выбран наиболее предпочтительный метод восстановления пропусков в данных на основе построения функции, отражающей зависимость восстанавливаемого

параметра от других экологических параметров

6 Разработана система анализа экологической информации, включающая следующие модули

• инструментальное программное средство подготовки обучающей выборки для построения модуля идентификации экологической ситуации,

• модуль идентификации экологической ситуации,

• модуль определения тенденций изменения экологических параметров,

• модуль прогнозирования экологических параметров,

• модуль поиска связей в данных,

• модуль восстановления пропусков в данных,

• модуль выявления некорректных значений

Эффективность разработанных в диссертации теоретических положений, моделей и методов подтверждена их использованием в системах анализа экологической информации объектов хранения и уничтожения химического оружия

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1 Вересников Г С Перспективы использования технологий интеллектуального анализа данных в задачах экологического мониторинга // Труды Института проблем управления РАН, том XXVI, М , 2005, с 47-54

2 Вересников Г С Нейронные сети в задачах экологического мониторинга // Труды XIII международной конференции «Проблемы управления безопасностью сложных систем», М, 2005, с 346-350

3 Вересников Г С Нейронные сети в задачах восстановления пробелов в данных экологического мониторинга // Проблемы экономики, науки и образования в сервисе Сб науч трудов, Шахты, ЮРГУЭС, 2005, с 132-135

4 Вересников Г С Системный анализ экологической информации с помощью нейронных сетей // Тезисы 5-й международной конференции «Системы проектирования, технологической подготовки производства и управления этапами жизненного цикла промышленного продукта (САБ/САМ/РБМ -2005)», М, 2005, с 16-17

5 Вересников Г С Системный анализ экологической информации в задаче повышения эффективности управления объектом мониторинга // Третья международная конференция по проблемам управления Тезисы докладов Том 1 , М, 2006, с 158

6 Вересников Г С Задача распознавания ситуаций в экологическом мониторинге // Проблемы экономики, науки и образования в сервисе Сб науч трудов, Шахты, ЮРГУЭС, 2006, с 9-10

7 Вересников Г С Подход к построению модуля идентификации эко-

логической ситуации, предназначенного для функционирования в системе экологического мониторинга // Тезисы 6-й Международной конференции «Системы проектирования, технологической подготовки производства и управления этапами жизненного цикла промышленного продукта (САБ/САМ/РОМ - 2006)», М , 2006, с 68-70

8 Вересников Г С Подходы к решению проблемы пересечения классов в задаче распознавания экологических ситуаций с помощью нейронных сетей // Труды третьей международной конференции «Параллельные вычисления и задачи управления», М , 2006, с 835-839

9 Вересников Г С Системный анализ экологической информации в задаче повышения эффективности управления объектом мониторинга // Третья международная конференция по проблемам управления Пленарные доклады и избранные труды, М , 2006, с 393

10 Вересников Г С Идентификация экологических ситуаций в процессе экологического мониторинга // Проблемы управления, 2007, № 3, с 30-34

11 Вересников Г С , Панкова Л А Прогнозирование параметров экологического мониторинга // Приборы и системы Управление, контроль, диагностика, 2007, № 4, с 58-64

Ф-т 60x84/8 Уч -изд л 1,5 Зак № 21783 Тираж 100 экз Бесплатно

Отпечатано на компьютерной издательской системе Издательский отдел Института ядерных исследований Российской академии наук 117312, Москва, проспект 60-летия Октября, 7а

ВВЕДЕНИЕ.

Глава 1. ИССЛЕДОВАНИЕ МЕТОДОВ АНАЛИЗА ИНФОРМАЦИИ И ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ.

1.1. Методы анализа экологической информации в системах экологического мониторинга.

1.2. Модели для оценки и прогнозирования загрязнений окружающей среды.

1.3. Методы интеллектуального анализа данных.

1.4. Сравнение методов интеллектуального анализа данных.

1.5. Анализ применения методов интеллектуального анализа данных в задачах экологического мониторинга.

ВЫВОДЫ.

Глава 2. РЕШЕНИЕ ЗАДАЧ АНАЛИЗА ЭКОЛОГИЧЕСКОЙ ИНФОРМАЦИИ.

2.1. Архитектура системы анализа экологической информации.

2.2. Информационная модель окружающей среды.

2.3. Восстановление отсутствующих значений экологических параметров и выявление их некорректных значений.

2.4. Поиск взаимосвязей между экологическими параметрами.

ВЫВОДЫ.

Глава 3. МЕТОДИКА ПОСТРОЕНИЯ МОДУЛЯ ДЛЯ ИДЕНТИФИКАЦИИ ЭКОЛОГИЧЕСКИХ СИТУАЦИЙ.

3.1. Задача идентификации экологической ситуации.

3.2. Формирование классов для качественной оценки экологической ситуации.

3.3. Подготовка обучающей выборки. Проблема репрезентативности.

3.4. Получение данных о нештатных ситуациях с помощью методики расчета ОНД-86.

3.5. Построение функции идентификации экологической ситуации для объекта хранения и уничтожения химического оружия.

3.6. Подходы к решению проблемы пересечения классов в задаче идентификации экологических ситуаций.

ВЫВОДЫ.

Глава 4. ПРОГНОЗИРОВАНИЕ ЭКОЛОГИЧЕСКИХ СИТУАЦИЙ.

4.1. Использование методов анализа временных рядов для прогнозирования экологических ситуаций.

4.2. Прогнозирование экологических параметров с помощью моделей АРМА.

4.3. Предсказание экологических параметров, динамика изменения которых является нестационарным процессом. TS и DS ряды.

4.4. Прогнозирование с помощью нейронных сетей, сравнение с ARMA и AR1MA моделями.

4.5. Выявление и построение тенденций изменения экологических параметров.

ВЫВОДЫ.

Глава 5. РЕАЛИЗАЦИЯ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЙ.

5.1. Инструментальное программное средство подготовки обучающей выборки для построения модуля идентификации экологической ситуации.

5.2. Модуль прогнозирования экологических параметров.

5.3. Построение модуля восстановления пропущенных значений и выявления некорректных значений.

ВЫВОДЫ.

Актуальность темы диссертации. Разработка эффективных систем экологического мониторинга потенциально опасных технологических объектов способствует своевременному принятию мер по предотвращению или уменьшению последствий нештатных и аварийных ситуаций, являющихся причиной выбросов загрязняющих веществ. Чтобы получить адекватное описание сложившейся экологической ситуации проводится анализ информации, поступающей в систему экологического мониторинга. Эффективность систем экологического мониторинга во многом определяется способностью системы анализа экологической информации точно идентифицировать и прогнозировать экологическую ситуацию.

Анализ затрудняется тем, что в силу объективных причин (например, отказы аппаратуры, каналов передачи информации) часть экологической информации может быть некорректной или отсутствовать. Это определяет необходимость разработки или выбора методов анализа информации, имеющих высокую результативность в условиях нечеткой и неполной исходной информации.

Современные методы анализа информации, включающие последние достижения статистики, технологий интеллектуального анализа данных (ИАД) позволяют находить закономерности, которые могут быть с успехом использованы для целей экологического мониторинга. Их применение позволит повысить эффективность контроля и защиты окружающей среды от загрязнений, что в свою очередь снизит риск нанесения вреда здоровью людей.

Во многих системах экологического мониторинга анализ экологической информации ограничивается сравнением измерений экологических параметров с предельно-допустимыми нормами или использованием отдельных не связанных между собой методов анализа информации. Исследование возможности комбинирования методов анализа информации и объединение их в единую.систему, способно обеспечить более высокую точность оценки и прогноза экологической ситуации.

В связи с этим актуальным является исследование и разработка:

- общих принципов построения систем анализа экологической информации;

- методов анализа, оценки и прогнозирования экологической ситуации;

Исследование и разработка систем анализа экологической информации позволяет повысить адекватность принятия оперативных решений по управлению сложившейся экологической ситуацией и способствует безопасному функционированию потенциально опасных технологических объектов.

Цель и задачи работы. Целью диссертационной работы является исследование и разработка системы анализа экологической информации, входящей в систему экологического мониторинга, для безопасного функционирования потенциально опасных технологических объектов.

Для достижения данной цели в диссертации решаются следующие задачи:

- исследование современных методов анализа информации и возможностей их применения в задачах экологического мониторинга;

- разработка архитектуры системы анализа экологической информации;

- разработка информационной модели окружающей среды;

- формализация задачи идентификации экологической ситуации;

- разработка формального описания нештатных ситуаций и условий их возникновения;

- разработка алгоритмов идентификации экологической ситуации;

- исследование методов прогнозирования экологической ситуации для целей оперативного управления;

- исследование методов устранения нечеткости и неполноты экологической информации;

- разработка алгоритмов и программного обеспечения для построения модуля идентификации экологической ситуации.

Методы исследования. Проведенные теоретические и прикладные исследования базируются на использовании методов математической статистики, прогнозирования, оптимизации, теории нейронных сетей.

Научная новизна. В результате проведенных исследований, анализа и обобщения опыта управления экологической безопасностью получены следующие научные результаты:

- разработана и исследована архитектура системы анализа экологической информации для поддержки принятия оперативных решений;

- исследованы методы устранения нечеткости и неполноты экологической информации для выбора наиболее предпочтительных методов в целях повышения точности идентификации и прогноза экологической ситуации;

- предложен метод формализации задачи идентификации экологической ситуации;

- разработан метод построения модуля идентификации экологической ситуации;

- разработан метод построения функции идентификации экологической ситуации;

- исследованы методы прогнозирования экологических параметров для выбора метода, обеспечивающего наибольшую точность прогноза.

Достоверность. Достоверность научных положений, выводов и практических рекомендаций, полученных в диссертационной работе, подтверждена обоснованием и экспериментальной проверкой разработанных методов и структур программного обеспечения, а также результатами практического использования предложенных в диссертационной работе методов, алгоритмов и программных средств.

Практическая ценность и реализация результатов. Разработанные в диссертации методы, алгоритмы и программные средства системы анализа экологической информации позволят повысить уровень безопасности эксплуатации потенциально опасных технологических объектов.

Практическая ценность полученных результатов подтверждается их использованием в системах производственного экологического мониторинга объектов хранения и уничтожения химического оружия.

Апробация работы. Основные положения диссертационной работы докладывались и представлялись на следующих конференциях: восьмая международная конференция по проблемам управления безопасностью сложных систем (Москва, 2005), пятая международная конференция САБ/САММЖ - 2005 (Москва, 2005), третья международная конференция по проблемам управления (Москва, 2006), шестая международная конференция САБ/САМ/РЭМ - 2006 (Москва, 2006), третья международная конференция «Параллельные вычисления и задачи управления» (Москва, 2006).

Публикации. Основные результаты научных исследований по теме диссертации содержатся в 11 публикациях, в их числе 2 публикации в ведущих научных журналах перечня Высшей аттестационной комиссии.

Структура и объем диссертационной работы. Работа состоит из введения, пяти глав, заключения, содержит 166 страниц текста, 74 рис., 18 табл., список литературы из 117 названий.

выводы

1. На основе методики, представленной в главе 3, создано инструментальное программное средство подготовки обучающей выборки для построения модуля идентификации экологической ситуации. Это инструментальное программное средство позволяет:

- сформировать информационную модель источника загрязнения;

- на основе информационной модели источника загрязнения сформировать различные варианты экологических ситуаций и осуществить их моделирование;

- сформировать обучающую выборку, необходимую для построения модуля идентификации экологической ситуации;

- построить факел распространения вредных веществ и рассчитать основные показатели выброса для оценки конкретного варианта нештатной или аварийной ситуации.

2. На основе исследованных методов прогнозирования стационарных и нестационарных рядов, создан модуль прогнозирования экологических параметров, предназначенный для прогнозирования отдельных экологических параметров на основе истории их изменения. Результат работы этого модуля используется как исходная информация модуля идентификации экологической ситуации для получения прогноза экологической ситуации с заданным горизонтом прогнозирования.

3. На основе результатов исследования методов корреляционного анализа и восстановления пропусков в данных, создан модуль восстановления пропущенных значений. Этот модуль обеспечивает восстановление пропущенных значений в момент их обнаружения и их последующую корректировку с учетом данных поступивших позднее. Результаты работы этого модуля используются для предобработки экологической информации используемой для идентификации экологической ситуации и прогнозирования.

4. Создан модуль выявления некорректных значений, предназначенный для выявления искаженных данных. Результаты работы этого модуля также используются для предобработки экологической информации с целью повышения эффективности работы модулей идентификации экологической ситуации и прогнозирования экологических параметров.

ЗАКЛЮЧЕНИЕ

В диссертационной работе приведено исследование и разработка системы анализа экологической информации.

Получены следующие основные теоретические и практические результаты:

1. Проанализированы существующие методы анализа информации и разработана архитектура системы анализа экологической информации для оперативного управления, объединяющая следующие функциональные блоки: получения отсутствующих данных об экологических ситуациях, построения моделей для идентификации экологической ситуации, идентификации экологической ситуации, построения моделей для прогнозирования экологической ситуации, прогнозирования значений концентраций на основе анализа временных рядов, определения тенденций изменения экологических параметров, восстановления пропусков в данных, выявления некорректных значений; поиска связей в данных.

2. Предложен метод построения модуля идентификации экологической ситуации, дающего оценку сложившейся экологической ситуации на основе вектора экологических и метеорологических параметров.

В рамках данного метода:

• формализована задача идентификации экологической ситуации;

• разработан метод построения функции идентификации экологической ситуации для точки контроля;

• предложен алгоритм, позволяющий указать оператору на возможность нескольких вариантов идентификации экологической ситуации (задача пересекающихся классов).

3. Рассмотрено применение метода построения модуля идентификации экологической ситуации для точеных непрерывных источников выброса. Применение этого метода позволяет идентифицировать экологические ситуации, когда выброс вредных веществ имеет форму факела.

4. Разработан метод прогнозирования экологической ситуации на основе предсказания отдельных экологических параметров и их последующей оценки с помощью модуля идентификации экологической ситуации.

5. Проведено исследование и сравнение методов прогнозирования экологических параметров, что позволило выбрать метод, обеспечивающий наибольшую точность прогноза. Наиболее эффективным методом прогнозирования экологических параметров является использование классов ARMA и ARIMA моделей.

6. Исследованы методы поиска и визуализации связей в данных экологического мониторинга для повышения точности восстановления пропусков в данных.

7. В результате исследования и сравнения методов восстановления пропусков в данных для системы анализа экологической информации выбран наиболее предпочтительный метод восстановления пропусков в данных с помощью нейронных сетей, обучаемых способом, учитывающим взаимосвязи между экологическими параметрами (см. главу 5). В качестве выхода нейронной сети используется экологические параметры, имеющие отсутствующие значения, а в качестве входа - экологические параметры, имеющие с восстанавливаемыми параметрами сильную корреляционную связь.

8. Разработана система анализа экологической информации, включающая следующие модули:

• инструментальное программное средство подготовки обучающей выборки для построения модуля идентификации экологической ситуации;

• модуль идентификации экологической ситуации;

• модуль определения тенденций изменения экологических параметров;

• модуль прогнозирования экологических параметров;

• модуль поиска связей в данных;

• модуль восстановления пропусков в данных;

• модуль выявления некорректных значений.

Эффективность разработанных в диссертации теоретических положений, моделей и методов подтверждена их использованием в системах анализа экологической информации объектов хранения и уничтожения химического оружия.

1. Айвазян С.А., Мхитарян В. С. Прикладная статистика и основы эконометрики // М., ЮНИТИ, 1998,1022 с.

2. Александрова JI.B., Васильев В.Ю., Огурцов А.Н. Информационная экспертная система экологического мониторинга // Международная конференция по мягким вычислениям и измерениям, С-П., 2000.

3. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях: Монография // Тюмень, Издательство Тюменского государственного университета, 2000, 352 с.

4. Афанасьев Ю.А., Галкин С.Ф., Кузнецова H.A., Машкович К.И., Меньшиков В.В., Фомин С.А. Мониторинг и методы контроля окружающей среды // М., МНЭПУ, 2001, 357 с.

5. Байдык Т.Н. Перспективные задачи искусственного интеллекта, которые могут решаться с помощью нейронных сетей // Всероссийская научно-техническая конференция «Нейроинформатика 2001», М., 2001, с. 106-113.

6. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений // М., Финансы и статистика, 2004,176 с.

7. Барцев С.И., Панкин Ю.П. Нейрокопьютеры в экологии // Материалы международного конгресса «Окружающая среда для нас и для будущих поколений, Экология и бизнес в новых условиях», Красноярск, Институт биофизики СО РАН, 1993.

8. Безуглая Э.Ю. Мониторинг состояния загрязнения атмосферы в городах // JL, Гидрометеоиздат, 1986,200 с.

9. Безуглая Э.Ю., Брук С.А., Сазанова С.Г. Об идентификации источников выбросов БП в атмосфере городов // Труды ГГО, 1991, Вып. 543, с. 17-24.

10. Белов И.В., Беспалов М.С., Клочкова JI.B., Кулешов A.A., Сузан Д.В., Тишкин В.Ф. Транспортная модель распространения газообразныхпримесей в атмосфере города // Математическое моделирование, 2000, т. 12, №11, с. 38-46.

11. П.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.

12. Бериков В.Б. Анализ статистических данных с использованием деревьев решений // Новосибирск, Издательство НГТУ, 2002, 60 с.

13. Берлянд М.Е. Метеорологические аспекты загрязнения атмосферы // М., Московское отделение Гидрометеоиздата, 1981.

14. Берлянд М.Е. Прогноз и регулирование загрязнения атмосферы // Л., Гидрометеоиздат, 1985,272 с.

15. Бокс Д., Дженкинс Г. Анализ временных рядов // Прогноз и управление, М., Мир, 1974, 406 с.

16. Бородулин А.И., Майстренко Г.М., Чалдин Б.М. Статистическое описание распространения аэрозолей в атмосфере: метод и приложения //Новосибирск, Изд-во Новосибирского ун-та, 1992,123 с.

17. Бочаров Е.П., Колдина А.И., Салахутдинов Р.З. Сравнение эффективности методов интеллектуального анализа данных при решении задач поиска закономерностей в массивах экономической информации // Поволжский гуманитарный Интернет-журнал, 2004, №1.

18. Вызова Н.Л., Гаргер Е.К., Иванов В.Н. Экспериментальные исследования атмосферной диффузии и расчет распространения примеси // Л., Гидрометеоиздат, 1991,278 с.

19. Веницианов Е.В. Экологический мониторинг: шаг за шагом // М., РХТУ им. Д.И. Менделеева, 2003,252 с.

20. Вересников Г.С. Задача распознавания ситуаций в экологическом мониторинге // Проблемы экономики, науки и образования в сервисе. Сб. науч. трудов, Шахты, ЮРГУЭС, 2006, с. 9-10.

21. Вересников Г.С. Идентификация экологических ситуаций в процессе экологического мониторинга // Проблемы управления. 2007 (В печати)

22. Вересников Г.С. Нейронные сети в задачах восстановления пробелов в данных экологического мониторинга // Проблемы экономики, науки и образования в сервисе: Сб. науч. трудов, Шахты, ЮРГУЭС, 2005, с. 132-135.

23. Вересников Г.С. Нейронные сети в задачах экологического мониторинга // Труды XIII международной конференции «Проблемы управления безопасностью сложных систем», М., 2005, с. 346-350.

24. Вересников Г.С. Перспективы использования технологий интеллектуального анализа данных в задачах экологического мониторинга // Труды Института проблем управления РАН, том XXVI, М., 2005, с. 47-54.

25. Вересников Г.С. Подходы к решению проблемы пересечения классов в задаче распознавания экологических ситуаций с помощью нейронных сетей // Труды третьей международной конференции «Параллельные вычисления и задачи управления», М., 2006, с. 835-839.

26. Вересников Г.С. Системный анализ экологической информации в задаче повышения эффективности управления объектом мониторинга //

27. Третья международная конференция по проблемам управления. Тезисы докладов. Том 1., М., 2006, с. 158.

28. Вересников Г.С. Системный анализ экологической информации в задаче повышения эффективности управления объектом мониторинга // Третья международная конференция по проблемам управления. Пленарные доклады и избранные труды, М., 2006, с. 393.

29. Вересников Г.С., Панкова JI.A. Прогнозирование параметров экологического мониторинга // Приборы и системы. Управление, контроль, диагностика, №4,2007, с. 58-64.

30. Ветров А.Н., Прохныч А.Н. Использование нейронной сети для прогноза загрязнения воздушного бассейна по данным системы мониторинга http://www.tstu.tver.ru/cnit/articlr.html?text=st00002.

31. Ветров А.Н., Прохныч А.Н. Использование распределенной адаптивной математической модели для прогнозирования состояния окружающей среды // Проектирование технических и медико-биологических систем: Сб. науч. трудов, Тверь, 2000, 164 с.

32. Гайдышев И. П. Анализ и обработка данных : специальный справочник // С-П., Питер, 2001,752 с.

33. Горбань А.Н., Дунин-Барковский B.JL, Кирдин А.Н., Миркес Е.М., Новоходько А.Ю., Россиев Д.А., Терехов С.А., Сенашова М.Ю., Царегородцев В.Г. Нейроинформатика // Новосибирск, Наука, 1998, 296 с.

34. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере // Новосибирск, Наука, 1996, 276с.

35. Динамическая метеорология // Под ред. Лайхмана Д.Л., Л., Гидрометеоиздат, 1967, 607 с.

36. Добрынин Д., Савельев А. Нейронные технологии для тематического дешифрирования ДДЗ // Гис-Обозрение, №1, 1999, с. 12-14.

37. Дюк В., Самойленко A. Data mining: учебный курс // С-П., Питер, 2001, 368 с.

38. Дюк В.А., Асеев М.Г. Поиск if then правил в данных: проблемы и перспективы // С-П., Институт информатики и автоматизации РАН, 2004.

39. Евтюгин Г.А., Савельев А.А., Ризаева Е.П., Стойкова Е.Е., Латыпова В.З., Будников Г.К. Экспертная оценка загрязненности промышленных сточных вод с помощью холинэстеразных биосенсоров // Экологическая химия, 2000, Т.9, №2, с. 106-114.

40. Елманова Н. Введение в Data Mining // КомпьютерПресс, 2003, № 8.

41. Загоруйко Н.Г., Елкина В.Н., Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей // Новосибирск, Наука, 1985, 266 с.

42. Закарин Э.А., Крамар В.Ф. Программный комплекс моделирования случаев высокого загрязнения атмосферы города Алма-Аты // Метеорология и гидрология, 1991, №12.

43. Закарин Э.А., Миркаримова Б.М. Математическое моделирование загрязнения атмосферы города на основе ГИС // Известия РАН ФАО, 2000, т. 36, № 3.

44. Замай С.С., Якубайлик О.Э. Модели оценки и прогноза загрязнения атмосферы промышленными выбросами в информационно-аналитической системе природоохранных служб крупного города: Учеб. пособие // Красноярск, Краснояр. гос. ун-т., 1998, 109 с.

45. Израэль Ю.А. Экология и контроль состояния природной среды // М., Гидрометеоиздат, 1984, 560 с.

46. Канторович Г. Г. Анализ временных рядов / / Экономический журнал высшей школы экономики, 2002, Т. 6,Т. 7.

47. Качиашвили К.И., Круашвили З.Е., Агамиров В.А. Статистические алгоритмы контроля состояния объектов окружающей среды // Проблемы контроля и защита атмосферы от загрязения Республиканский межведомственный сборник научных трудов, 1985, с. 42-46.

48. Кирой В.Н. К проблеме размытых алгоритмов решения мыслительных задач человеком // Проблемы искусственного интеллекта, Элиста, 1979, с. 94-106.

49. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы, 1997, № 4, с. 41-44.

50. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного // Докл. АН СССР, 1957, Т. 114, № 5, с. 953-956.

51. Комарцова Л.Г. Методы и модели в системах поддержки принятия решений на начальном этапе проектирования распределенных вычислительных систем // Конференция, посвященная 90-летию со дня рождения Алексея Андреевича Ляпунова, Новосибирск, 2001.

52. Кононов Д.А., Шубин А.Н. Мониторинг в системе информационного управления (ИПУ РАН Россия) // Теория активных систем, труды международной научно-практической конференции, М., 2001, Т. 1., с. 121-123.

53. Кречетов Н. Продукты для интеллектуального анализа данных // Рынок программных средств, 1997, № 14, с. 32-39.

54. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети // М., Физматлит, 2001, 224 с.

55. Кулида Е. Л., Лебедев В. Г., Чесноков А. М. Проектирование интеллектуальных систем поддержки операторов сложных объектов // Автоматизация проектирования, 1999, № 1.

56. Ланкин Ю.П. Экология и нейрокопьютеры // Материалы международной конференции по экологическим проблемам, Лесосибирск, ИЛиД СО РАН, 1993.

57. Максимов В.Н., Булгаков Н.Г., Левич А.П. Количественные методы экологического контроля: Диагностика, Нормирование, Прогноз // Экология и устойчивое развитие города, М., 2000, с. 79-83.

58. Максимов В.Н., Милованова Г.Ф., Н.Г.Булгаков, А.П.Левич Индикация состояния экосистем методами детерминационного анализа // Теоретические проблемы экологии и эволюции, Тольятти, с. 113-120.

59. Маликов А.Н., Чупис В.Н., Шарль Р. Система экологического мониторинга при уничтожении химического оружия в Саратовской области: Монография // Под общей редакцией проф. А.Н. Маликова и проф. В.Н. Чуписа, Саратов, 2002,217 с.

60. Методика прогнозирования масштабов заражения сильнодействующими ядовитыми веществами при авариях (разрушениях) на химически опасных объектах и транспорте. Руководящий документ РД 52.04.253-90 // Л., Гидрометеоиздат, 1991, 23 с.

61. Методика расчета концентраций в атмосферном воздухе вредных веществ, содержащихся в выбросах предприятий, ОНД-86 // Л., 1987, 140 с.

62. Минаев Ю.Н., Филимонова О.Ю., Бенамеур JI. Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе // М., "Горячая линия-Телеком, Радио и связь", 2003,205 с.

63. Монин A.C., Яглом A.M. Статистическая гидромеханика. Механика турбулентности // М., Наука, 1965, 720 с.

64. Назаров A.B., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем // С-П., Наука и техника, 2003, 384 с.

65. Никифоров А.Н., Бузало Н.С. Моделирование полей загрязненности атмосферы в мезометеорологическом пограничном слое // Известия Вузов, Северо-Кавказский регион, Естественные науки, 2001, с. 126-128.

66. Пащенко С.Э., Сабельфельд К.К. Атмосферный и техногенный аэрозоль (кинетические, электронно-зондовые и численные методы исследования): В 2 ч. //Новосибирск, Наука, 1992, Ч. 1,190 с.

67. Пененко В.В., Алоян А.Е. Модели и методы для задач охраны окружающей среды // Новосибирск, Наука, 1985, 256 с.

68. Питенко A.A. Использование нейросетевых технологий при решении аналитических задач в ГИС // Методы нейроинформатики: сб. научн. тр. / Под ред. А.Н.Горбаня, Красноярск, КГТУ, 1998, с. 152-163.

69. Попов Н.С. Применение искусственных нейронных сетей для систем прогноза загрязнения воздушного бассейна // Вестник ТГТУ, 2002, Т. 8, №2, с. 219-227.

70. Растоскуев В.В. Информационные технологии экологической безопасности. http://www.ecosafe.nw.ru/Educatio/ENV/Readme.

71. Россиев А.А. Вейвлеты и распознавание образов во временных рядах // Материалы XI Всероссийского семинара «Нейроинформатика и ее приложения», Красноярск, ИВМ СО РАН, 2003, с. 208-209.

72. Рудинский А.В., Ермоленко А.С., Мирошников В.П. Использование интегрированных систем наблюдения при мониторинге окружающейсреды // Труды второй международной конференции «параллельные вычисления и задачи управления», М., 2004, с. 1114-1119.

73. Руководство по прогнозу загрязнения воздуха. Руководящий документ РД РД 52.04.306-92. // Л., Гидрометеоиздат, 1993, с. 60.

74. Рыбин В.М., Рыбина Г.В. Динамические экспертные системы реального времени: анализ опыта исследований и разработок // Приборы и системы управления, М., 1999, №8, с. 4-8.

75. Самарская Е.А., Сузан Д.В., Тишкин В.Ф. Построение математической модели распространения загрязнений в атмосфере // Математическое моделирование, 1997, т. 9, №11, 59-71.

76. Сонькин Л.Р. Синоптико-статистический анализ и краткосрочный прогноз загрязнения атмосферы // Л., Гидрометеоиздат, 1991.

77. Софиев М.А., Софиева В.Ф. Оценка выбросов загрязняющих веществ в атмосферу по данным моделирования и измерений // Математическое моделирование, 2000, т. 12, №4, с. 20-32.

78. Тарасенко P.A., Крисилов В.А. Выбор размера описания ситуации при формировании обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов. http://neuroschool.narod.ru /pub/rtov02.html.

79. Тарасенко P.A., Крисилов В.А. Предварительная оценка качества обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов // Тр. Одесского Политехи. Ун-та, Одесса, 2001, № 1, с. 90-93.

80. Терентьев П.В. Метод корреляционных плеяд // Вест. Ленингр. ун-та. Серия биол., Л, 1959, № 9, с. 137-141.

81. Токмачев М.С. Временные ряды и прогнозирование // Великий Новгород, НовГУ им. Ярослава Мудрого, 2005,192 с.

82. Трахтенгерц Э.А. Компьютерные системы поддержки принятия управленческих решений // Информационные технологии в управлении 2003, №1, с. 13-28.

83. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика: Пер. с англ. // М., Мир, 1992.

84. Учет дисперсионных параметров атмосферы при выборе площадок для атомных электростанций. Руководство по безопасности АЭС. // Вена, Международное агентство по атомной энергии, 1980,106 с.

85. Федак B.C. К вопросу о структуре мониторинга загрязнений // Технические и программные средства систем экологического мониторинга, Киев, 1994, с. 72-76.

86. Федеральный закон Российской Федерации от 10 января 2002 г. № 7 «Об охране окружающей среды» // М., Российская газета, 2001, № 6.

87. Хоруженко A.C., Терновая Н.В. Моделирование распространения выбросов вредных газов из горящих породных отвалов // Управление развитием сложных систем, 2003, № 1.

88. Хюттнер Е. Объективная классификация условий диффузии в целях улучшения прогноза загрязнения воздуха // Метеорологические аспекты загрязнения атмосферы. Итоги сотрудничества социалистических стран, JL, Гидрометеоиздат, 1981.

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

90. Шапот М., Рощупкина В. Интеллектуальный анализ данных и управление процессами // Открытые системы, 1998, №4.

91. Шитиков В.К., Розенберг Г.С., Зинченко Т.Д. Количественная гидроэкология: методы системной идентификации // Тольятти, ИЭВБ РАН, 2003, 463 с.

92. Щавелёв JI. В. Способы аналитической обработки данных для поддержки принятия решений // СУБД, 1998, № 4-5.

93. Щербаков А.Ю. Метеорологический режим и загрязнение атмосферы городов // Калинин, издательство КГУ, 1987.

94. Ярушкина Н.Г. Основы теории нечетких и гибридных систем // М., Финансы и статистика, 2004,319 с.

95. Akaike Н. Information Theory and an Extension of the Maximum Likelihood Principle // International Symposium on Information Theory, 1973. p. 267-281.

96. Anil K. J., Jianchang M., Mohiuddin K.M. Artificial Neural Networks // A Tutorial, Computer, 1996, №29. p. 31-44.

97. Bianconi R., Tamponi M. A mathematical model of diffusion from a steady source of short duration in a finite mixing layer // Atmos.Env., 1993, №5, p. 781-792.

98. Chrysikopoulos C.V., Hildmann L.M., Roberts P.V. A three-dimensional steady-state atmospheric dispersion-deposition model for emission from a ground-level area source // Atmos. Env., 1992, № 5, p. 747-757.

99. Dickey D.A., Fuller W.A. Distribution of the Estimation for Autoregressive Time Series with a Unit Root // Journal of the American Statistical Association, 1979, p. 427-431.

100. Frawley W. L., Piatetsky-Shapiro G., Matheus C. J. Knowledge discovery in databases: An overview// AI Magazine, 1992, № 13, p 3.

101. Grander, C.W.J. Investigating Casual Relations by Econometric Methods and Cross-Spectral Methods // Econometrika, 1988, № 37, p. 424-438.

102. Hartwich E. G. Fugacity superposition: a new approach to dynamic multimedia fate modeling // Chemosphere, 2001, № 4, p. 843-853.

103. Lek S., Guegan J. F. Artificial Neuronal Networks // Application to Ecology and Evolution, Berlin, p. 241-248.

104. Michie D., Spiegelhalter D.J., Taylor C.C. Machine Learning, Neural and Statistical Classification. http://www.amsta.leeds.ac.uk/~charles/ statlog/whole.pdf.

105. Parsaye K. A Characterization of Data Mining Technologies and Processes // The Journal of Data Warehousing, 1998, № 1.

106. Riedmiller M., Braun H. A direct adaptive method for faster backpropagation learning: The RPROP algorithm // Proceedings of the IEEE International Conference on Neural Networks (ICNN), San Francisco, 1993, p. 586-591.

107. Stone M.N. The generalized Weierstrass approximation theorem // Math. Mag., 1948, № 21. p. 167-183.

108. Yoshida A. Two-dimensional numerical simulation of thermal structure of urban polluted atmosphere (effects of aerosol characteristics) // Atmos. Env., 1991, № 1, p. 17-23.1. ПРИНЯТЫЕ СОКРАЩЕНИЯ