ЭМУЛЯЦИЯ ПОКАЗАНИЙ ДАТЧИКОВ КАЧЕСТВА ВОЗДУХА В ГОРОДСКОЙ СРЕДЕ УМНОГО ГОРОДА

Авторы

  • А.С. Еримбетова Институт информационных и вычислительных технологий КН МНВО РК, Казахский национальный исследовательский технический университет имени К.И. Сатпаева
  • Р.И. Мухамедиев Институт информационных и вычислительных технологий КН МНВО РК, Казахский национальный исследовательский технический университет имени К.И. Сатпаева
  • А.Г. Терехов Институт информационных и вычислительных технологий КН МНВО РК
  • А.А. Оксененко Казахский национальный исследовательский технический университет имени К.И. Сатпаева
  • Я.И. Кучин Институт информационных и вычислительных технологий КН МНВО РК, Казахский национальный исследовательский технический университет имени К.И. Сатпаева
  • А. Сымагулов Институт информационных и вычислительных технологий КН МНВО РК, Казахский национальный исследовательский технический университет имени К.И. Сатпаева
  • Д.Р. Құсайын Казахский национальный исследовательский технический университет имени К.И. Сатпаева
  • П. Рыстыгулов Казахский национальный исследовательский технический университет имени К.И. Сатпаева

DOI:

https://doi.org/10.54668/2789-6323-2024-114-3-87-99

Ключевые слова:

качество воздуха, умный город, машинное обучение

Аннотация

Загрязненность воздуха городской среды представляет собой серьезную угрозу здоровью людей. Для ее контроля используются как отдельные датчики, так и системы, позволяющие оценить концентрацию пылевых частиц PM1, PM2.5, PM10 и органических соединений. Однако, надежность системы датчиков не может быть 100 процентной. Время от времени те или иные датчики в распределенной системе выходят из строя. По этой причине весьма полезной является эмуляция их показаний на основании показаний оставшихся датчиков. В работе описан набор данных и предложена модель машинного обучения, которая на основе показаний работоспособных датчиков и погодных условий в местах сбора данных, моделирует показания датчика, вышедшего из строя. Оценена точность подобной эмуляции по отдельным видам загрязнений (коэффициент детерминации в пределах от 0.43 до 0.61).

Библиографические ссылки

Russell A., Ghalaieny M., Akhmetov K.K., Mukanov Y., McCann M., Vitolo C., Althonayan A. A spatial survey of environmental indicators for Kazakhstan: an examination of current conditions and future needs // International Journal of Environmental Research. – 2018. – Vol. 12. – P. 735-748. – DOI: https://doi.org/10.1007/s41742-018-0134-7

Международное информационное агентство «DKnews.kz». Казахстан в топ-позициях по уровню загрязнения. – URL: https://dknews.kz/ru/eksklyuzivdk/221987-kazahstan-v-top-poziciyah-po-urovnyuzagryazneniya (дата обращения 20.07.2023).

Kerimray A., Rojas-Solórzano L., Amouei Torkmahalleh M., Hopke P. K., Ó Gallachóir B.P. Coal use for residential heating: Patterns, health implications and lessons learned // Energy for Sustainable Development. – 2017. – Vol. 40. – P.19–30. – DOI:10.1016/j.esd.2017.05.005

Информационно-правовая системанормативных правовых актовРеспублики Казахстан «Әділет». О Стратегическом плане Министерства транспорта и коммуникаций Республики Казахстан на 2011 - 2015 годы. – URL: https://adilet.zan.kz/rus/docs/P1100000129 (дата обращения 21.07.2023).

KAZENERGY. Национальный энергетический доклад 2017 KAZENERGY. – URL: http://www.kazenergy.com/upload/document/energyreport/NationalReport17_ru.pdf (дата обращения 21.07.2023).

Kerimray A., Rocco M., Rojas-Solórzano L., Gallachoir B. Causes of energy poverty in a cold and resource-rich country: evidence from Kazakhstan // Local Environment. – 2017. – DOI: 10.1080/13549839.2017.1397613.

Karatayev M., Pedro R., Mourao Z.S., Konadu D.D., Nilay S., Michèle C. The water-energy-food nexus in Kazakhstan: challenges and opportunities // Energy Procedia. – 2017. – Vol.125. – P.63-70. – DOI: 10.1016/j.egypro.2017.08.064.

Current Pollution Index by City. – URL: ttps://www.numbeo.com/pollution/rankings_current.jsp (дата обращения 21.07.2023).

Kerimray A., Azbanbayev E., Kenessov B., Plotitsyn P., Alimbayeva D., Karaca, F. Spatiotemporal Variations and Contributing Factors of Air Pollutants in Almaty, Kazakhstan // Aerosol and Air Quality Research. – 2020. – Vol. 20. – P.1340-1352. – DOI:10.4209/aaqr.2019.09.0464.

Nugmanova D., Feshchenko Yu., Iashyna L., Gyrina O., Malynovska K., Mammadbayov E., Akhundova I., Nurkina N., Tariq L., Makarova J., Vasylyev A. The prevalence, burden and risk factors associated with chronic obstructive pulmonary disease in Commonwealth of Independent States (Ukraine, Kazakhstan and Azerbaijan): Results of the CORE study // BMC Pulmonary Medicine. – 2018. – 18. – DOI: 10.1186/s12890-018-0589-5.

Ke G., Meng Q., Finley T., Wang T., Chen W., Ma W., Ye Q., Liu T.-Y. Lightgbm. A highly efficient gradient boosting decision tree // Advances in neural information processing systems. – 2017. – Vol.30. – P.3149-3157.

Bentéjac C., Csörgő A., Martínez-Muñoz G. A comparative analysis of gradient boosting algorithms // Artificial Intelligence Review. – 2021. – Vol. 54. – P.1937-1967.

Chen T., Guestrin C. Xgboost: A scalable tree boosting system //Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. – 2016. – P. 785-794.

Mukhamediev R., Amirgaliyev Y., Kuchin Y., Aubakirov M., Terekhov A., Merembayev T., Yelis M., Zaitseva E., Levashenko V., Popova Y., et al. Operational Mapping of Salinization Areas in Agricultural Fields Using Machine Learning Models Based on Low-Altitude Multispectral Images // Drones. – 2023. – Vol.7(357). https://doi.org/10.3390/drones7060357

Mukhamediev R.I., Kuchin Y., Amirgaliyev Y., Yunicheva N., Muhamedijeva E. Estimation of Filtration Properties of Host Rocks in Sandstone-Type Uranium Deposits Using Machine Learning Methods // IEEE Access. – 2022. – Vol.10. – P.18855–18872.

Mukhamediev R.I., Merembayev T., Kuchin Y., Malakhov D., Zaitseva E., Levashenko V., Popova Y., Symagulov A., Sagatdinova G., Amirgaliyev Y. Soil Salinity Estimation for South Kazakhstan Based on SAR Sentinel-1 and Landsat-8,9 OLI Data with Machine Learning Models // Remote Sens. – 2023. – Vol.15, 4269. – DOI:https://doi.org/10.3390/rs15174269

Mukhamediev R.I., Terekhov A., Sagatdinova G., Amirgaliyev Y., Gopejenko V., Abayev N., Kuchin Y., Popova Y., Symagulov A. Estimation of the Water Level in the Ili River from Sentinel-2 Optical Data Using Ensemble Machine Learning // Remote Sens. – 2023. – 15, 5544. – DOI: https://doi.org/10.3390/rs15235544

Lundberg S.M., Lee S.-I. A unified approach to interpreting model predictions // Adv. Neural Inf. Process. Syst. – 2017. – 30. – P.1–10.

Scikit-learn. Machine Learning in Python. Available online: https://scikit-learn.org/stable/ (accessed on 1 February 2024)

Scikit-optimize. Sequential model-based optimization in Python https://scikit-optimize.github.io/stable/ (accessed on 1 February 2024)

Raschka S. MLxtend: Providing machine learning and data science utilities and extensions to Python’s scientific computing stack // Journal of Open Source Software. – 2018. – 3. – 638. – DOI:10.21105/joss.00638.

Загрузки

Опубликован

16.10.2024

Как цитировать

Еримбетова, . А., Мухамедиев , Р., Терехов, А., Оксененко, . А., Кучин, Я. ., Сымагулов, А. ., Құсайын, Д. ., & Рыстыгулов, П. . (2024). ЭМУЛЯЦИЯ ПОКАЗАНИЙ ДАТЧИКОВ КАЧЕСТВА ВОЗДУХА В ГОРОДСКОЙ СРЕДЕ УМНОГО ГОРОДА. Гидрометеорология и экология, (3), 87–99. https://doi.org/10.54668/2789-6323-2024-114-3-87-99

Выпуск

Раздел

ЭКОЛОГИЯ

Наиболее читаемые статьи этого автора (авторов)

1 2 > >>