Аннотації

ПРОБЛЕМА ОЦІНКИ ЗАБРУДНЕННЯ СЕРЕДОВИЩА

Автор(и):
Yuanfang He, Vatskel Igor
Дата публікації:

07.02.2019

Анотація (укр):

Розглянуто задачу оцінювання забрудненості навколишнього середовища та прогнозування його стану. Розглянуто особливості моніторингу різних підсистем середовищ: атмосферного повітря, ґрунтів, поверхневих і ґрунтових вод та біосфери. Наведена класифікація методів прогнозування дає змогу здійснити раціональний підхід до їх вибору відповідно до задачі дослідження. Огляд технологій прогнозування стану навколишнього середовища, що базуються на розпізнаванні образів за допомогою нейромереж, на основі регресійного аналізу та трендових методів аналізу часових рядів показав наявність недоліків цих технологій. Виявлені особливості забруднення підсистем дають змогу здійснити вибір більш ефективних й точних методів прогнозування його стану. Існування сезонності, мала пластичність параметрів забруднення обґрунтовує доцільність застосування трендових методів прогнозування. Розглянуто автоматизовані інформаційні системи моніторингу, що функціонують в Україні, Китаї та міжнародні проекти моніторингу. Виділено інваріантну та варіативну складові їх структури. На основі здійсненого огляду методів прогнозування стану та технологій моніторингу сформовано задачу подальшого дослідження, яка полягає в покращенні методів оцінювання забрудненості навколишнього середовища, зокрема, шляхом застосування трендових моделей прогнозування.

Анотація (рус):

Анотація (англ):

In this article, a major review of the methods of forecasting the state of the environment is done. Features of monitoring of different environments are considered. Also are reviewed existing ones monitoring systems and review of technologies for forecasting the state of the environment. Also, based on the review of methods and technologies, research objectives were developed that include improved methods for assessing environmental pollution, in particular the use of trend forecasting models.

Література:

References:

  1. Jinshui, S., Ming-Huang, W. & Yuh-Shan H., (2012). A historical review and bibliometric analysis of research on estuary pollution. Marine Pollution Bulletin, 64 (1), 13 – 21.
  2. Bellinger, Colin, Shazan, Mohomed, Jabbar, Mohomed, Zaiane, Osmar & Osornio-Vargas, Alvaro. (2017). A systematic review of data mining and machine learning for air pollution epidemiology. doi: 10.1186/s12889-017-4914-3. Retrieved from https://bmcpublichealth.biomedcentral.com/track/pdf/10.1186/s12889-017-4914-3.
  3. Makridakis, S., Wheelwright, S.C., Hyndman, R.J. (2008). Forecasting methods and applications. John wiley & sons.
  4. Kukkonen, J., Partanen, L., Karppinen, A., Ruuskanen, J., Junninen, H., Kolehmainen, M. & et al. (2003). Extensive evaluation of neural network models for the prediction of no 2 and pm 10 concentrations, compared with a deterministic modelling system and measurements in central helsinki. Atmos Environ;37(32), 4539–550. doi: 10.1016/S1352-2310(03)00583-1.
  5. Niska, H., Hiltunen, T., Karppinen, A., Ruuskanen, J. & Kolehmainen, M. (2004). Evolving the neural network model for forecasting air pollution time series. Eng Appl Artif Intell;17(2), 159–67. doi: 10.1016/j.engappai.2004.02.002.
  6. Kolehmainen, M., Martikainen, H. & Ruuskanen, J. (2001). Neural networks and periodic components used in air quality forecasting. Atmos Environ,35(5), 815–25. doi: 10.1016/S1352-2310(00)00385-X.
  7. Beckerman, B.S., Jerrett, M., Martin, R.V., van Donkelaar, A., Ross, Z. & Burnett, R.T. (2013). Application of the deletion/substitution/addition algorithm to selecting land use regression models for interpolating air pollution measurements in california. Atmospheric Environ, 77, 172–7. doi: 10.1016/j.atmosenv.2013.04.024.
  8. Liu, B.C., Binaykia, A., Chang, P.C., Tiwari, M.K. & Tsao, C.C. (2017). Urban air quality forecasting based on multi-dimensional collaborative support vector regression (svr): A case study of beijing-tianjin-shijiazhuang. PLOS ONE, 12(7), 1–17.
  9. Bobb, J.F., Valeri, L., Henn, B.C., Christiani, D.C., Wright, R.O., Mazumdar, M. & et al. (2014). Bayesian kernel machine regression for estimating the health effects of multi-pollutant mixtures. Biostatistics, 16(3), 058.
  10. Gass, K., Klein, M., Chang, H.H., Flanders, W.D. & Strickland, M.J. (2014). Classification and regression trees for epidemiologic research: an air pollution example. Environ Health, 13(1), 17. doi: 10.1186/1476-069X-13-17.
  11. Combined Models for Forecasting the Air Pollution Level in Infocommunication Systemsfor the Environment State Monitoring.
  12. Bilyuk, P.I., Savenkov, O.I. & Trofymchuk, O.M. (2011). Modeling of Pollution and Surface Water in Ukraine. Environmental safety and nature management, 7, 16–34.
  13. Jia, H., Wang, S., Wei, M. & Zhang, Y. (2011). Scenario analysis of water pollution control in the typical peri-urban river using a coupled hydrodynamic-water quality model. Frontiers of Environmental Science & Engineering in China, 5(2), 255 – 265.

<>14.15.16.17. Collection of scientific articles of the "III All-Ukrainian Congress of Ecologists with International Participation", Vinnytsia, 1, 150–151. Retrieved from http://eco.com.ua.

  1. Interactive map of monitoring environment of the environment. Retrieved from https://ecomapa.gov.ua.
  2. World's Air Pollution: Real-time Air Quality Index. Retrieved from http://waqi.info.
  3. Ahmed, A.N., Fazlul Haque, H.M., Rahman, A., Ashraf, M.S., Saha S. & Shatabda S. (2017). A Participatory Sensing Framework for Environment Pollution Monitoring and Management. Computers and Society, 1701. 6429.