Способ оценки уровня загрязнения атмосферного воздуха для населения и зонирования территории

Изобретение относится к области экологии и может быть использовано для зонирования территории города по уровню опасности атмосферы для здоровья населения. Сущность: проводят натурные замеры приоритетных химически опасных веществ в воздухе в равномерно распределенных по территории города точках. Объединяют данные о содержании химически опасных веществ в воздухе на разных участках города в кластеры с помощью нейросетевой модели Кохонена, использующей SOM-карты. Рассчитывают в выделенных кластерах коэффициенты (HQ) опасности для каждого вещества по формуле , где - средняя концентрация i-го вещества, - референтная концентрация i-го вещества. Для каждого вещества каждого кластера рассчитывают вероятностный коэффициент (pHQ) опасности по формуле , где - рассчитываемая с использованием формулы Байеса вероятность того, что в кластере k, к которому относится данная точка, будет превышать 1. Выполняют зонирование территории по уровню опасности для здоровья населения путем построения интерполяционных полей с визуализацией пространственного распределения значений вероятностного коэффициента опасности (pHQ) с помощью метода обратных взвешенных расстояний. Технический результат: повышение точности и адекватности оценки территории по уровню опасности атмосферы для здоровья населения. 2 табл.

 

Изобретение относится к экологии, к области экологического мониторинга окружающей среды и может найти применение для разработки профилактических организационных, инженерно-технических и санитарно-гигиенических мероприятий в территориальных зонах повышенной опасности.

Известно несколько способов оценки состояния территорий по степени загрязнения атмосферы. Например, способ определения степени загрязнения воздуха серосодержащими соединениями городских и прилегающих к ним областей методом фитоиндикации (Патент РФ №2213361 С1от 27.09.2003).

Способ зонирования территории по уровню риска возможного нарушения здоровья населения под воздействием техногенного шума внешней среды (Патент РФ№2613605 С1от 17.03.2017).

Недостатком указанных способов является невозможность провести зонирование территории с оценкой вероятности загрязнения атмосферного воздуха и формируемого риска здоровью населения, проживающего в каждой зоне. Наиболее близким к предлагаемому техническому решению является « Способ зонирования территории по уровню риска здоровья населения в условиях воздействия химически опасных веществ (патент РФ №2441600, бюл. №4 от 10.02.2010 г.). Согласно этого патента, производится объединение в кластеры с общими характеристиками и далее классифицируют на несколько уровней опасности: низкий уровень опасности, умеренный уровень опасности, высокий уровень опасности. Установление и выявление различных зон по рангам, в зависимости от коэффициентов опасности не является вероятностной характеристикой риска реализации выявленной опасности. Ранжирование по зонам опасности не может указывать на случайность или закономерность реализации тех или иных параметров содержания вредных или канцерогенных компонентов. Другим недостатком этого способа является невозможность учета качественной информации при интегральной оценке состояния территории и невозможность учета динамики процесса оценки при появлении новой мониторинговой информации. Для устранения отмеченных недостатков, повышения точности зонирования территорий с установлением вероятности превышения референтных значений концентраций примесей в атмосфере предложено применять не классическую, а нейросетевую многоуровневую кластеризацию на базе SOM-карт, с последующей экспертной оценкой каждого кластера, при этом в каждом кластере устанавливают вероятностный коэффициент опасности с использованием теоремы Байеса для достижения необходимой степени точности зонирования.

Такой подход позволяет учитывать при кластеризации качественную информацию об исследуемых объектах, которая выражена в экспертных оценках состояния оцениваемого объекта. Предложенная схема позволяет при появлении новых данных измерений концентраций атмосферных примесей проводить детализацию зонирования путем дополнительного разбиения кластеров, по характеристикам SOM-карт, на подклассы.

Технический результат, достигаемый предлагаемым способом, заключается в повышении точности оценки и адекватности зонирования территории при осуществлении экологического мониторинга, а также в оптимизации интегральной оценки риска при характеристике безопасности воздушной среды для населения. Предлагаемый способ содержит натурные замеры приоритетных химически опасных веществ, объединение в кластеры с использованием нейронных сетей Кохонена, разбиение территорий на зоны, установлением зон с различным уровнем опасности для здоровья населения, при этом производится экспертная оценка каждого кластера с приведением каждого фактора по отношению к референтному значению параметра и устанавливают в каждом кластере вероятностный коэффициент опасности с использованием теоремы Байеса с необходимой степенью детализации.

Классический расчет коэффициентов опасности предполагает определение кратности превышения фактических средневзвешенных концентраций особых безопасных (референтных) концентраций:

где

HQ- коэффициент опасности;

AC - средняя концентрация

RfC - референтная концентрация.

Для оценки опасности ряда веществ, при условии их одномоментного поступления одним и тем же путем, используют индекс опасности, определяемый суммированием коэффициентов опасности отдельных компонент

где HQ_i - коэффициенты опасности для отдельных компонентов смеси воздействующих веществ.

Следует отметить, что коэффициенты опасности отражают лишь возможность токсического эффекта конкретной концентрации, но не являются показателем вероятности ее обнаружения, поэтому для корректного расчета и использования HQ необходима оценка не фактической концентрации, а ее математического ожидания. Иными словами, расчет коэффициентов опасности не является вероятностной характеристикой риска и не способен указать на случайность или закономерность наблюдаемых величин концентраций примесей, по которым рассчитан, в заданной точке и может корректно использоваться только для оценки ряда данных в целом. Тем не менее показатель HQ является важной характеристикой ранжирования с целью определения наиболее приоритетных загрязнителей. Средние значения коэффициентов опасности, рассчитанные для разных зон (HQ₀, HQ₁, HQ_2… HQ_i) позволяют получить представление о сравнительном распределении этого показателя между зонами. При этом систематически контролируемые примеси могут быть ранжированы по величине значений HQ для определения наиболее приоритетных загрязнителей, кроме того, значения HI можно представить в виде ранга того или иного загрязняющего вещества в восходящем ряду приоритетности.

В предлагаемом нами подходе обосновывается использование нового показателя pHQ, который является произведением доли «опасной» концентрации на вероятность ее обнаружения в заданной точке:

где HQ_i - коэффициент опасности i-го вещества, P_k - вероятность того, что в кластере k, к которому относится данная точка HQ_i этого вещества будет больше 1.

Вероятностный коэффициент опасности pHQ более информативен по сравнению с используемым в прототипе HQ. Достоинством pHQ является его "выравненность" относительно частоты наблюдения случаев превышения референтных величин (HQ>1), что делает его более гибким и объективным при сравнительных оценках коэффициента опасности, рассчитанного для разных участков исследования. Значения pHQ агрегируют информацию о доле «опасной» концентрации и частоте превышения референтных значений, являясь показателем наиболее полно отражающем риск неблагоприятного воздействия загрязняющих веществ на здоровье населения.

Теоретически, его значения можно ограничить пределами от 0 до 1, указывающими в первом случае на полное отсутствие опасности (например, в случаях не обнаружения примеси в пробе или отсутствия хотя бы одного превышения за весь период наблюдения), а во втором случае - на однозначно неблагоприятный эффект (например, в случае превышения референтных значений во всех пробах). То есть своеобразным порогом низкой и высокой опасности можно считать значение pHQ=0,5.

На практике бывает полезным использование безразмерных коэффициентов, не ограниченных верхним пределом. В этом случае, эксперту предоставляется дополнительная информация о кратности негативного воздействия, что бывает необходимо при ранжировании опасностей. Кроме того, можно рассчитать обобщенные значения pHQ_об, которые являются вероятностью того, что случайно взятый образец будет относиться к данной точке и хотя бы по одной из рассмотренных примесей будет наблюдаться превышение референтных значений. Это касается прогнозирования опасности для населения по всем выбранным зонам.

Расчет вероятности превышения концентрациями примесей их пороговых значений целесообразно проводить в пределах полученных зон, а в качестве обобщающего показателя использовать вероятность превышения порога хотя бы по одному из оцениваемых параметров. Имеющийся массив данных о содержании в атмосфере примесей, полученных с постов наблюдений, делится на кластеры с помощью нейросетевой модели, использующей SOM-карты, в виде двумерной сетки раскрашенных узлов.

Алгоритм расчета вероятностей того, что концентрация той или иной примеси в случайно взятом образце превысит референтное значение и будет обнаружена в заданном кластере, реализуется следующим образом:

В выделенных кластерах проводится классический расчет коэффициентов опасности HQ для каждого выделенного вещества загрязнителя, проводится анализ распределения средневзвешенных значений HQ и рассчитываются индексы опасности H1. Далее, по представленному алгоритму осуществляется расчет вероятности того, что HQ_i примеси в данном кластере будет больше 1.

Далее, проводится расчет вероятности коэффициента опасности pHQ_i=HQ_i×P_k, на основании этого, выделяются приоритетные загрязняющие вещества на данном кластере.

Пусть D - событие, состоящее в том, что мы рассматриваем полную совокупность кортежей экспериментально измеренных показателей по всей территории. Полная вероятность таких событий .

Тогда можем обозначить D_i - событие, состоящее в том, что мы рассматриваем совокупность кортежей экспериментально измеренных показателей в пределах заданной зоны i ().

Рассчитаем вероятность при помощи классической формулы определения вероятности, как отношение условных мощностей множеств D_i и всего рассматриваемого набора D:

Здесь в качестве n_i может выступать количество кортежей данных в зоне D_i, а N - общее количество кортежей измеренных данных. Либо в качестве n_i можно принимать площадь территории области D_i, тогда N- вся площадь исследуемого района, и т.п.

Определим S - событие, состоящее в том, что обнаружено превышение допустимого порогового значения хотя бы по одному показателю, хотя бы в одном кортеже данных.

Вероятность события S можно рассчитать как полную вероятность по формуле:

Будем считать, что мы исследуем полную совокупность данных, то есть . Тогда все события D_i образуют полную группу:

В силу (2), для расчета апостериорной вероятности обнаружения превышения порога при рассмотрении конкретной зоны i можно применить формулу Байеса, который позволяет рассчитать вероятность последовательность попарно несовместимых событий, образующих группу:

Заметим, что в силу (5) и (6):

Здесь - априорная вероятность того, что если превышение произошло, то это случилось в зоне D_i.

Предложенный вероятностный коэффициент опасности pHQ является произведением доли «опасной» концентрации (HQ) на вероятность ее обнаружения (), достоинством которого является его «выравненность» относительно частоты наблюдения случаев превышения референтных величин.

В качестве конкретного примера проанализируем содержание примесей в воздухе г. Нижнекамске.

Весь массив данных о содержании примесей в воздухе на разных участках города был разделен на кластеры (зоны) с помощью специально разработанной нейросетевой модели, использующей SOM-карты.

В таблице 1 представлены значения HQ, рассчитанные для различных примесей в воздухе по точкам отбора проб и кластерам в г. Нижнекамске.

Значения вероятностей P события «HQ превышает 1» различных примесей, рассчитанные для выделенных кластеров представлены в таблице 2. Это вероятность того, что концентрация той или иной примеси превысит референтное значение и будет обнаружена в заданном кластере. Оценка распределения этого показателя позволяет определить вероятность загрязнения воздуха различными примесями в разных зонах исследования, представленных кластерами точек отбора проб.

При этом по значениям коэффициентов опасности оксиды азота, бензол и фенол наиболее значительно представлены в кластере 0, а сероводород в кластере 2. Определение значений HQ для систематически контролируемых примесей показало в кластере 0 очень высокий уровень риска по содержанию в воздухе оксида азота, оксида углерода и бензола; а в кластере 2 - по содержанию бензола, ксилола, сероводорода и диоксид азота (см. Табл. 1 в графической части).

Если оценивать приоритетность примесей по вероятностному коэффициенту опасности (pHQ), то картина по кластерам несколько меняется: в кластере 2 наиболее значительно представлены диоксид азота, бензол и сероводород, а в кластере 0 - оксид азота и фенол (см. Табл. 2 в графической части). При этом следует отметить, что бензол и сероводород являются примесями, имеющими высокую степень опасности по всей территории исследования, что позволяет отнести их к главным приоритетным примесям, подлежащим систематическому контролю во всех зонах в приземном слое атмосферного воздуха города Нижнекамска.

Пошаговая схема предлагаемого алгоритма выглядит следующим образом

1. Выбирают территорию оценки, экологически неблагополучную по уровню техногенной нагрузки химически опасными факторами среды обитания. Необходимым условием является наличие равномерно распределенных по территории точек отбора проб воздуха, как в ручном режиме, так и на стационарных постах.

В данном случае, в качестве примера, выбран город Нижнекамск. Изучаемая территория характеризуется наличием опасных для населения химических веществ в атмосфере таких как: Оксид азота, Диоксид азота, Аммиак, Оксид углерода, Диоксид серы, Сероводород, Толуол, Бензол, Фенол, Ксилол, которые систематически контролируются на стационарных постах, равномерно размещенных по территории города.

2. Весь массив данных о содержании примесей в воздухе на разных участках города, полученный с различных постов наблюдения, был разделен на кластеры (зоны) с помощью специально разработанной нейросетевой модели, использующей SOM-карты (нейросетевая многоуровневая кластеризация на базе SOM-карт). Соответственно, в кластеры вошли разные посты наблюдений, что позволило в дальнейшем сформировать пространственно распределенные зоны.

3. В выделенных кластерах проводится классический расчет коэффициентов опасности HQ каждого рассматриваемого вещества, анализируется распределение средневзвешенных значений HQ, рассчитываются индексы опасности HI.

4. По представленному выше алгоритму проводится расчет вероятности того, что HQ i-той примеси в кластере k будет больше 1.

5. Проводится расчет вероятностного коэффициента опасности pHQ_i=HQ_i×P_k,

6. Выделяются приоритетные загрязняющие вещества, подлежащих систематическому контролю в атмосферном воздухе исследуемой территории по каждому из выделенных кластеров, рассчитанные для каждого поста, отнесенного к тому или иному кластеру, значения pHQ используются для зонирования территории.

7. Зонирование заключается в построении интерполяционных полей с визуализацией пространственного распределения значений pHQ с помощью метода обратных взвешенных расстояний (IDW).

Таким образом, предлагаемый способ позволяет:

- зонировать территорию по уровню риска для здоровья населения с учетом вероятности превышения концентраций загрязняющих веществ в атмосферном воздухе в каждом кластере;

- учитывать интегральную опасность воздействия нескольких химических веществ на здоровье населения в виде единого обобщенного показателя.

- определить приоритетные примеси, содержание которых в атмосферном воздухе необходимо контролировать в различных участках территории и которые вносят наибольший вклад в формирование риска здоровью населения.

Способ зонировании территории по уровню опасности атмосферы для здоровья населения, заключающийся в проведении натурных замеров приоритетных химически опасных веществ в воздухе в равномерно распределенных по территории точках, объединении данных о содержании химически опасных веществ в воздухе на разных участках города в кластеры, расчете в выделенных кластерах коэффициентов опасности (HQ) для каждого вещества по формуле , где - средняя концентрация i-го вещества, - референтная концентрация i-го вещества, отличающийся тем, что объединение данных о содержании химически опасных веществ в воздухе в кластеры выполняют с помощью нейросетевой модели Кохонена, использующей SOM-карты, для каждого вещества каждого кластера рассчитывают вероятностный коэффициент опасности (pHQ), отражающий риск неблагоприятного воздействия загрязняющего вещества на здоровье человека, по формуле , где - рассчитываемая с использованием формулы Байеса вероятность того, что в кластере k, к которому относится данная точка, будет превышать 1, выполняют зонирование территории по уровню опасности для здоровья населения путем построения интерполяционных полей с визуализацией пространственного распределения значений вероятностного коэффициента опасности (pHQ) с помощью метода обратных взвешенных расстояний.