Шляхи підвищення достовірності даних моніторингу довкілля

Забезпечення достовірності даних моніторингу довкілля є нагальною проблемою, адже на підставі цих даних мають прийматися відповідальні рішення щодо прогнозування економічного розвитку регіонів, прогнозування необхідних заходів щодо захисту довкілля і населення у разі природних чи техногенних аварій тощо. Сьогодні вже розроблені і широко використовуються різні методи підвищення достовірності даних моніторингу, які базуються, головним чином, на використанні структурної та процедурної надмірності [1]. Але ці методи, як правило, запроваджуються вибірково та безсистемно, що не дозволяє отримати достатньо високу гарантію відповідності отриманих даних вимогам існуючих стандартів. У той же час на стан довкілля впливає все більше і більше чинників, значна частина яких є дуже небезпечними для екосистеми.
Метою даної роботи є спроба поєднати існуючі методи підвищення достовірності даних моніторингу у єдину систему, за допомогою якої можна було б суттєво підвищити ефективність моніторингу і покращити достовірність результатів прогнозування змін стану довкілля. Для цього пропонується підхід, що передбачає п’ять етапів, на кожному з яких використовуються відповідні заходи підвищення достовірності результатів моніторингу:

  • визначення поточного поля забруднень;
  • визначення супутніх чинників та їхнього впливу на спектр та величину забруднень;
  • визначення динаміки забруднень порівняно з минулими вимірюваннями;
  • перевірка відповідності динаміки забруднень тренду, який до цього мав місце;
  • прийняття остаточного рішення щодо достовірності даних моніторингу та прогнозів.

Перший етап повинен розпочатися з розбудови вимірювальної мережі, яка здійснюється шляхом представлення її у вигляді кривої, що заповнює площину (крива Пеано) [2].  Застосування кривої Пеано дозволяє забезпечити безперервність моніторингу території, що досліджується, і уникнути стрибків між окремими точками спостереження. Весь ареал, що  контролюється,  представляється  у  вигляді  одиничного  квадрата S = ІхІ = {(x,y): x,y I}, де І – одиничний відрізок []. Перша ітерація полягає у розбиттю S на 9 рівних квадратів S0-S8, причому алгоритм побудови кривої має наступний вигляд:
newf = F – F + F + F + F – F – F – F + F,                                                                       (1)
де newf – шлях розбудови кривої, що заповнює обрану площину, F – довжина одиничного кроку (діагональ квадрату Si [i=]), + –  збільшення кута α на величину θ, “–” – зменшення кута α на величину θ, α = π/4, θ = π/4.
Кожний з квадратів Si у свою чергу може бути розбитий на 9 квадратів Sij [i=; j=] і т.д. Якщо прийняти максимально припустиму відстань ε між детекторами, що гарантує однозначне визначення величини забруднення, то для забезпечення достовірності даних моніторингу необхідно виконати умову:
 для усіх хІ,                                                                   (2)
де d{Pm(x), Pn(x)} – евклідова відстань (метрика) між точками Pm(x) та Pn(x), за умов, що m>n>k – номери ітерацій (k>0).
Після визначення структури вимірювальної мережі необхідно оптимізувати обсяг вибірок (вимірювань) з метою виключення можливого впливу випадкових перешкод. Після обробки вибірок і отримання усереднених даних необхідно ці дані співставити з інтервальними межами, в яких ці дані можуть знаходитися в умовах рутинного моніторингу і у разі виходу за ці межі позначити їх як аномальні з метою подальшого дослідження причин та аналізу їхньої достовірності (на Четвертому етапі).
Наступним кроком Першого етапу є застосування методів гібридного моніторингу, який полягає у виборі з множини релевантних моделей, що одночасно використовуються для прогнозування міграції забруднень (і про які заздалегідь не можна сказати, яка з них є оптимальною за даних умов), тієї з моделей, евклідова відстань якої відносно реальних даних вимірювання, виконаних у час, зазначений моделлю, є найменшою. Якщо розглянути метрики, які характеризують відстань між кривими розподілу точок під час реального вимірювання (fr) та кривими, отриманими шляхом моделювання за допомогою моделі mj (fmj), то міра прирощення інформації, що характеризує ступінь близькості f(r) та f(mj), має такий вигляд:
d[f(r), f(m)] = {(x(r)i – x(m)i)}1/2.                                          (3)
де N – кількість точок, в яких здійснювалося вимірювання,  x(r)і та x(m)і – відповідно значення реально визначеної шляхом вимірювання та обчисленої за допомогою моделі величини забруднення у і-й точці. При цьому найменша з обчислених метрик буде відповідати оптимальній моделі, що найкращим чином описує процес міграції забруднень, тобто моделі, чия метрика задовольняє наступному рівнянню (4):
opt dj[f(r), f(mj)] = min{d2[f(r), f(m1)], … , dj[f(r), f(m2)], … , dk[f(r), f(mk)]}.                        (4)
Крім того, застосування методів гібридного моніторингу може стати  у нагоді підчас  обирання тих, чи інших інтерполяційних та екстраполяційних процедур для оцінювання станів довкілля між вузлами спостережень.
Перший етап завершується визначенням кількості та номенклатури й абсолютних значень забруднень, які раніше не спостерігалися на даному ареалі, границь критичного забруднення, розбудовою еквідистант забруднень (за допомогою одного з алгоритмів побудови фрактальних кривих) [3] (див. рис.)  та формуванням відповідного (вихідного) файлу у  банку фактів.
Другий етап  пов’язаний, головним чином, з двома кроками:

  • виявленням кореляційних зв’язків між супутніми та посередніми чинниками й фактичними даними моніторингу;
  • аналізом шляхів міграції та метаболізму  забруднень у конкретних умовах, коли враховуються такі процеси, як дифузія (у тому числі й турбулентна), перенесення, гравітаційне (вологе та сухе) осадження, розчинення, дефляція, хімічні та біологічні процеси, радіоактивний розпад тощо.

Супутні екологічні фактори суттєво впливають на достовірність виявлення фактичних викидів (скидів)забруднюючих речовин, визначення типу і джерела забруднення, а отже, і на шляхи зменшення антропогенного впливу на довкілля. Крім того, урахування додаткових чинників процесів міграції і трансформації забруднень у довкіллі дозволить визначити потенціал стійкості екосистеми, тобто здатність її до самоочищення і відновлення. Визначення динаміки забруднень є вкрай важливим, оскільки вказує на можливість незворотних змін в екосистемі, що може призвести до її деградації.
Третій етап моніторингу виконується шляхом обчислення метрики, що характеризує відстань множини точок (даних) поточного та попереднього циклів вимірювань (як на першому етапі), а також вектора змін (останній можна виявити через визначення центрів ваги контурів еквідистант поточного та попереднього циклів вимірювань).
Під час здійснення моніторингу виявлення динаміки забруднень дозволить забезпечити завчасну зміну методики визначення забруднюючих речовин та зміну вимірювальної апаратури, що пов’язане із зміною діапазону вимірювань та можливим зменшенням чутливості приборів.
Четвертий етап передбачає (у разі відхилення від тренду на величину Δх  > 2σ) аналіз можливих впливів зовнішніх чинників, які представляються у форматі даних моніторингу як супутні або посередні фактори. Якщо ж відхилення від тренду не є суттєвим, а зовнішні чинники мають місце і характеризуються значною амплітудою, необхідно провести аналіз причин інваріантності результатів моніторингу.
П’ятий етап полягає у перевірці гіпотези щодо результатів моніторингу (у тому числі, при необхідності, у запиті додаткової інформації від системи моніторингу і використанні  теореми
Байєса з метою коригування вихідної гіпотези), загальному оцінюванні достовірності даних (з урахуванням коефіцієнтів упевненості) та формулюванні рішення щодо правильності оцінок та прогнозів. Використання теореми Байєса дозволяє визначити, а надалі й уточнювати ймовірність дійсності прийнятої гіпотези розподілу даних в умовах невизначеності, яка існує під час моніторингу. За даним методом розраховується ймовірність з урахуванням як раніше відомої, так і нової отриманої інформації. Результати оцінювання з позначкою про достовірність спрямовуються до релевантного файлу банку фактів на заміну відповідного вихідного файлу (який було сформовано на першому етапі).


Рис. 1. Алгоритм побудови фрактальних кривих

Послідовне виконання усіх зазначених вище етапів оцінювання інформації забезпечить достовірність отриманих даних, необхідних споживачам цієї інформації для прийняття відповідальних рішень в галузі економіки, екології та соціального життя.

Список літератури

  1. Єремєєв І.С. Моніторинг довкілля у зоні впливу сховищ рідких радіоактивних відходів. «Сотрудничество для решения проблемы отходов». Материалы V Международной конференции, 2-3 апреля 2008 г., Харьков, Украина. Х.: ЭкоИнформ, 2008. – С. 62-65.
  2. Р.М. Кроновер. Фракталы и хаос в динамических системах. Основы теории. – М.: Постмаркет, 2000. – 352 с.
  3. Єремєєв І.С., Дичко А.О. Моніторинг довкілля і теорія фракталів. System Analysis and Information Technologies. 15-th International Conference SAIT 2013 Proceedings. – K.: IASA, 2013. – pp. 38-39.

Шляхи підвищення достовірності даних моніторингу довкілля [Електронний ресурс] / Єремєєв І.С., Дичко А.О.  // Режим доступу: http://eco.com.ua/

Оцінка: 
0
No votes yet