Модель оцінки якості повітря за супутниковими даними на основі методу групового урахування аргументів

• Опубліковано в: : Проблеми керування та інформатики
• Дата: 2023
• Автори: Хайдуров, В.В., Яйлимов, Б.Я., Шелестов, А.Ю.
• Формат: Стаття
• Мова: Українська
• Опубліковано: Інститут кібернетики ім. В.М. Глушкова НАН України 2023
• Теми: Космічні інформаційні технології та системи
• Онлайн доступ: https://nasplib.isofts.kiev.ua/handle/123456789/211062
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Цитувати: Модель оцінки якості повітря за супутниковими даними на основі методу групового урахування аргументів / В.В. Хайдуров, Б.Я. Яйлимов, А.Ю. Шелестов // Проблеми керування та інформатики. — 2023. — № 5. — С. 93-106. — Бібліогр.: 18 назв. — укр.

У роботі представлено математичну модель на основі методу групового урахування аргументів (МГУА) для оцінки даних про якість повітря на рівні землі за допомогою супутникових спостережень. У цьому дослідженні розроблено модифіковану модель МГУА для співставлення даних супутникових спостережень з наземними даними про якість повітря для дрібних твердих частинок (PM2,5) і твердих частинок розміром менше 10 мк (PM10) у місті Києві, Україна. Модель оптимально реконструює нелінійні функціональні залежності між часовими рядами супутникових і наземних змінних, одночасно оптимізуючи загальну складність моделі. Проведено кілька обчислювальних експериментів на реальних наборах даних. Розроблена модель надає більш повну просторово-часову картину розподілу забруднення для значного покращення можливостей моніторингу навколишнього середовища, інформування громадськості та підтримки науково обґрунтованих політичних рішень щодо стратегій пом’якшення впливу забруднення на довкілля. The paper presents a mathematical model based on the Group Argument Consideration Method (GACM) for assessing air quality data at the ground level using satellite observations. This study develops a modified GACM model to compare satellite observation data with ground-based air quality data for fine particulate matter (PM2.5) and particles smaller than 10 microns (PM10) in Kyiv, Ukraine. The model optimally reconstructs nonlinear functional dependencies between time series of satellite and ground-based variables, while simultaneously optimizing the overall model complexity. Several computational experiments were conducted on real data sets. The developed model provides a more complete spatiotemporal picture of pollution distribution, significantly improving environmental monitoring capabilities, public awareness, and supporting scientifically grounded policy decisions regarding strategies to mitigate the impact of pollution on the environment.