Гибридный нейросетевой подход к прогнозированию загрязнений атмосферы с верификацией по данным дистанционного зондирования Земли

В рамках Федерального проекта «Чистый воздух», направленного на улучшение экологической обстановки и снижение выбросов загрязняющих веществ в атмосферный воздух, ставится задача обеспечения снижения уровня загрязнения в ряде промышленных городов и контроля исполнения мероприятий по сокращению выбросов. Оперативный контроль и управление в городской среде осложняются тем, что моделирование распространения загрязняющих веществ является сложной многофакторной задачей: маломасштабная природа атмосферных процессов, влияние городской инфраструктуры и пространственная неоднородность источников эмиссий сильно усложняют корректное воспроизведение полей концентраций. Кроме того, плотность наземных приборных сетей по городам неоднородна: в ряде населённых пунктов сеть развита, тогда как в других она может быть разреженной или отсутствовать, что ограничивает возможности прямой валидации и оперативного мониторинга.
На данный момент при решении вышеописанной задачи применяются статистический и гидродинамический (численный) подходы, каждый из которых имеет свои недостатки:
• Статистические модели – оперативны, однако они слабо учитывают ключевые динамические процессы атмосферы, что ограничивает их предсказательную способность [1].
• Гидродинамические модели — хорошо описывают физические процессы, но в городских приложениях часто обладают недостаточным пространственным разрешением для корректного описания урбанистических градиентов и микромасштабных структур, требуют согласованных и достаточно плотных наблюдательных данных и, как правило, более ресурсозатратны по сравнению со статистическими методами (величина вычислительных затрат зависит от доступных вычислительных ресурсов). [2]
В качестве решения автором предлагается гибридный подход: использование нейронной сети как эмулятора химико-транспортной модели «(CHIMERE)» (ХТМ) [3]. Нейронная сеть позволяет с существенно меньшими вычислительными затратами получать прогнозы, по качеству близкие к результатам модели. Подход предполагает обучение нейронной сети на наборе данных выходных полей прогностической модели динамики атмосферы (WRF-ARW) [4], данных наблюдений параметра PM2.5, получаемых с городской сети мониторинга загрязнения воздуха и выходных полей прогноза PM2.5 полученных из ХТМ.
Ансамбль прогностических метеополей модели динамики атмосферы (WRF-ARW) получен путём возмущения расчёта модели по скорости и направлению ветра [5]. Процедура создания возмущений делает модель устойчивее к неопределённостям метеопрогноза и к маломасштабным ошибкам входных полей. На этой выборке, дополненной наземными наблюдениями PM2.5 городской сети, обучается нейросеть (архитектура – Residual U-Net), способная аппроксимировать связку WRF – CHIMERE и выдавать приближённые по качеству поля загрязнений при существенно меньших вычислительных затратах.
Особое внимание уделяется применимости предлагаемого решения в задачах, где наземная приборная сеть недостаточна. В данной ситуации важным источником информации о распространении загрязнений могут являться средства дистанционного зондирования Земли (ДЗЗ). Однако у космических данных есть свои ограничения, такие, как пространственно-временное разрешение и задержки в поставке данных. В связи с этим, оптимальная стратегия заключается в комбинированном использовании быстрых нейросетевого эмулятора и периодической валидации/коррекции по данным ДЗЗ и наземным измерениям.
Таким образом, предлагается следующая последовательность действий по созданию и внедрению предлагаемого решения:
1. Создание и обучение нейросети-эмулятора, обеспечивающей быстрый расчёт распределений загрязнений по заданным входным полям.
2. Верификация прогнозов нейросети по данным наземной приборной сети.
3. Выбор и тестирование космических средств ДЗЗ для целевого региона: оценка их применимости (временная задержка, пространственное разрешение, чувствительность к рассматриваемым загрязнителям) и верификация продуктов ДЗЗ по наземным измерениям и прогнозам нейросети.
4. Комбинированное применение: в городах с недостаточной приборной сетью оперативный расчёт распределений выполняет нейросеть, а периодическая проверка и калибровка производится по продуктам ДЗЗ.
Настоящая работа решает первую задачу этой последовательности – разработку и верификацию нейросетевого эмулятора, обученного на ансамблевых расчётах WRF – CHIMERE и частично верифицированного по наземным данным. При последующем развитии проекта планируется проводить целенаправленный подбор спутниковых продуктов для выбранных городских сценариев.