Аналіз і прогнозування антропогенного впливу на атмосферне повітря промислового міста із застосуванням нових географо-математичних підходів

Автор(и)

  • Yu.Ya. Bunyakova Одеський державний екологічний університет, Україна
  • A.V. Glushkov Одеський державний екологічний університет, Україна

DOI:

https://doi.org/10.24028/gzh.0203-3100.v42i4.2020.210679

Ключові слова:

теорія хаосу, часові ряди концентрацій речовин, що забруднюють атмосферу, діоксид азоту, аналіз і прогнозування, метод кореляційної розмірності

Анотація

В останні два десятиліття доволі успішно впроваджуються різні математичні й кібернетичні підходи до розв’язання географічних і екологічних задач. Важливо зазначити, що екологічна динамічна система є нелінійною, й із застосуванням лінійних методів аналізу, перетворення Фур’є та інших не завжди можна отримати задовільний результат, як у разі лінійної системи. Пов’язане це з тим, що процеси, які приводять до хаотичного режиму, є фундаментально багатовимірними. Саме ці обставини характерні для динаміки розподілу шкідливих домішок у повітряному басейні промислового міста. Розглянуто розвиток поглибленого вдосконаленого аналізу, моделювання та прогнозування часової динаміки концентрацій речовин, що забруднюють атмосферу, для конкретних індустріальних міст. Запропоновано новий метод аналізу та прогнозування структури полів концентрацій інгредієнтів в атмосфері промислового міста, що ґрунтується на положеннях теорії хаосу. Для аналізу використано дані щогодинних спостережень за концентрацією діоксиду азоту на постах моніторингу Гданського регіону — Гдиня і Сопот (Польща) впродовж року. На підставі аналізу емпіричних даних щодо концентрацій забруднювальних речовин у повітряному басейні виявлено стохастичні особливості та ефект хаосу в динаміці й структурі часових рядів концентрацій домішок. Наведені результати можна вважати прикладом цілком задовільного короткострокового прогнозу концентрацій забруднювальних речовин в атмосфері. Метод нелінійного прогнозу досить добре працює, якщо концентрації цих речовин збільшуються. Усі тенденції до такого збільшення виявлено при прогнозуванні, що дає змогу використовувати метод як альтернативу традиційним методам.

Посилання

Bunyakova, Yu.Ya. (2015). Analysis and prediction of changes in concentrations of sulfur dioxide in the atmosphere of an industrial city (on the example of Gdansk region, Poland) by chaos theory. Visnyk Kyyivsʹkoho natsionalʹnoho universytetu im. Tarasa Shevchenka. Heohrafiya, (1), 37—40 (in Ukrainian).

Mandelbrot, B. (2002). Fractal geometry of nature. Moscow: Ed. of the Institute for Computer Research, 656 p. (in Russian).

Brock, W.A., Hsieh, D.A., & LeBaron, B. (1991). Nonlinear dynamics, chaos, and instability: statistical theory and economic evidence. MIT Press, 346 p.

Bunyakova, Yu.Ya., Glushkov, A.V., & Dudinov, A.A. (2011). Short-range forecast of atmospheric pollutants using non-linear prediction method. Abstracts of the European Geosciences Union General Assembly. Vienna, Austria. P. A3.4.

Glushkov, A.V., Khokhlov, V.N., Loboda, N.S., & Bunyakova, Yu.Ya. (2010). Modeling greenhouse gas concentration fields using chaos theory. 18th. Intern. Symp. Transport and Air Pollution. May 18—19, 2010. Dubendorf, Switzerland. Р06.

Chelani, A.B. (2005). Predicting chaotic time series of PM10 concentration using artificial neural network. International Journal of Environmental Studies, 62(2), 181—191. https://doi.org/10.1080/0020723042000285906.

European program «Air pollution observation data: Gdansk region, 2003». (2004). Institute of Chemistry and Environmental Protection, Technical University of Szczecin. Poland.

Islam, M.N., & Sivakumar, B. (2002). Characterization and prediction of runoff dynamics: a nonlinear dynamical view. Advances in Water Resources, 25(2), 179—190. https://doi.org/10.1016/S0309-1708(01)00053-7.

Khokhlov, V.N., Glushkov, A.V., Loboda, N.S., & Bunyakova, Yu.Ya. (2008). Short-range forecast of atmospheric pollutants using non-linear prediction method. Atmospheric Environment, 42(31), 7284—7292. https://doi.org/10.1016/j.atmosenv.2008.06.023.

Lanfredi, M., & Machhiato, M. (1997). Searching for low dimensionality in air pollution time series. Europhysics Letters, 40(6), 589—594.

Paluš, M., Pelikán, E., Eben, K., Krejčíř, P., & Juruš, P. (2001). Nonlinearity and prediction of air pollution. Artificial neural nets and genetic algorithms. In: V. Kurkova, N.C. Steele, R. Neruda, & M. Karny (Eds.), Artificial Neural Nets and Genetic Algorithms (pp. 473—476). Springer Verlag, Vienna, Austria.

Rusov, V.D., Glushkov, A.V., Vaschenko, V.N., Myhalus, O.T., Bondartchuk, Yu.A., Smolyar, V.P., Linnik, E.P., Mavrodiev, S.Cht., & Vachev B.I. (2010). Galactic cosmic rays-clouds effect and bifurcation model of the earth global climate. Part 1. Theory. Journal of Atmospheric and Solar-Terrestrial Physics, 72, 398—408. doi: 10.1016/j.jastp.2009.12.007.

Sprott, J.C., Vano, J.A., Wildenberg, J.C., Anderson, M.B., & Noel, J.K. (2005). Coexistence and chaos in complex ecologies. Physics Letters A., 335(2-3), 207—212. https://doi.org/10.1016/j.physleta.2004.12.068.

##submission.downloads##

Опубліковано

2020-09-18

Як цитувати

Bunyakova, Y., & Glushkov, A. (2020). Аналіз і прогнозування антропогенного впливу на атмосферне повітря промислового міста із застосуванням нових географо-математичних підходів. Геофізичний журнал, 42(4), 165–173. https://doi.org/10.24028/gzh.0203-3100.v42i4.2020.210679

Номер

Розділ

Статті