В обиходе под понятием фонового уровня концентраций понимается то их значение, которое наблюдается в незатронутой человеческой деятельностью местностью, и складываемое из набора естественных составляющих.
При рассмотрении реальных условий и вклада реальных загрязнителей, наиболее уместно говорить об условном фоне, т.е. о концентрациях загрязняющих веществ без вклада местных составляющих для дальнейшего их расчета, т.е. с учетом как природных, так и антропогенных факторов, действующих значительное количество времени [1].
Таким образом под понятие условного фона попадает и набор неорганизованных источников, действие которых может повлиять на локальные концентрации веществ, при этом описание их возможно стохастическими методами.
Первым этапом для моделирования наиболее важно определиться с нужной степенью точности измерений. Условный фон в общем виде может оказать существенное влияние на общий уровень загрязнения. Данные об состоянии окружающей среды достаточно сложно смоделировать с учетом множественности взаимодействующих факторов и многими переменными учитываемыми в расчетах, которые дают множество комбинаций в значениях.
В целях упрощения расчетов наиболее часто используют два метода: анализ временных рядов и искусственные нейронные сети.
Анализ временных рядов
Временной ряд представляет собой набор элементов данных полученных с помощью повторных измерений в течение долгого времени. Данные временных рядов имеют естественный временной порядок распределения, что в свою очередь накладывает ряд особенностей для анализа. Основным отличительным свойством является тесная взаимосвязь данных, связанная с их естественной близостью [2].
Искусственные нейронные сети
Искусственные нейронные сети (ИНС) являются математическим представлением биологических нейронных сетей, т.е. своего рода эмуляция биологической нервной системы. ИНС обладают высокой степенью адаптивности к непараметрическим распределениям данных, и не делают предварительных гипотез о взаимоотношении между переменными. ИНС также обладают низкой чувствительностью к ошибкам и могут решать такие вопросы как подавление шума и исключение аномальных хаотических значений. ИНС состоят из входного слоя, нескольких слоев нейронов (математических объектов, чье поведение регулируется предопределенной функцией) и выходного слоя. Предварительно каждая сеть проходит обучение посредством набора входных, выходных данных, для учета поведения параметров в целях дальнейшего прогнозирования [3].
Представленные методы, рассмотренные для анализа первичных данных о концентрациях загрязняющих веществ, могут быть применены и для определения и прогнозирования метеорологических параметров, в том числе уточнения недостающих данных.
Библиографический список
- Голубничий А.А., Чайкина Е.А. Посезонные изменения среднесуточных значений концентраций монооксида углерода в г. Красноярске за однолетний период // Интернет-журнал «НАУКОВЕДЕНИЕ» Том 7, №3 (2015) [Электронный ресурс]: http://naukovedenie.ru/PDF/152TVN315.pdf (дата обращения: 12.08.2015). DOI: 10.15862/152TVN315.
- NIST/SEMATECH e-Handbook of Statistical Methods, [Электронный ресурс] http://www.itl.nist.gov/div898/handbook/, (дата обращения: 12.08.2015).
- Kyriakidis, I., Karatzas, K.D. & Papadourakis, G. (2009). Using Preprocessing Techniques in Air Quality forecasting with Artificial Neural Networks Information Technologies in Environmental Engineering. Springer Berlin Heidelberg.