Гидрометеорологические исследования и прогнозы. 2023. № 4 (390). С. 86-104

86

DOI: https://doi.org/10.37162/2618-9631-2023-4-86-104

УДК 504.3.054+004.85+504.064

Постпроцессинг численных прогнозов

концентраций приземного озона

с использованием машинного обучения

Д.В. Борисов, И.Н. Кузнецова

Гидрометеорологический научно-исследовательский центр

Российской Федерации, г. Москва, Россия;

lbj23.98@mail.ru

Мониторинг качества прогнозирования концентраций загрязняющих веществ на

основе химических транспортных моделей (ХТМ) в действующей в Гидрометцентре

России технологии указывает на целесообразность применения постпроцессинга.

Впервые для коррекции модельных расчетов концентрации приземного озона ис-

пользованы искусственные нейронные сети (ИНС). Обучающая выборка сформиро-

вана из ретроспективных часовых прогнозов ХТМ CHIMERE в период 2019‒

2023 гг. Проведены эксперименты по подбору оптимальной конфигурации

ИНС. Представляются результаты экспериментального тестирования лучшей ИНС

на недельном периоде летом с эпизодом высоких концентраций озона и в весеннем

эпизоде повышенного содержания озона вследствие активного тропосферного пере-

мешивания. Показана эффективность применения ИНС для улучшения модельного

прогноза приземного озона и его суточной динамики.

Ключевые слова: искусственные нейронные сети, приземный озон, численный

прогноз загрязнения, химическая транспортная модель, CHIMERE

Post-processing of ground-level

ozone numerical forecasts using machine learning

D.V. Borisov, I.N. Kuznetsova

Hydrometeorological Research Center of Russian Federation, Moscow, Russia

lbj23.98@mail.ru

Monitoring the quality of air pollutant concentration forecasts based on chemical

transport models (CTMs) currently used in the technology of the Hydrometcentre of Russia

indicates the feasibility of the post-processing procedure application. For the first time,

artificial neural networks (ANNs) were used to correct ground-level ozone model calcula-

tions. Retrospective hourly CTM CHIMERE forecasts for 2019-2023 formed the training

dataset. Experiments were carried out to select the optimal ANN settings. Results of the

experimental testing of the best ANN on a week-long summer period with an episode of

high ozone concentrations and a spring period with an episode of high ozone concentra-

tions due to active tropospheric mixing are presented. The effectiveness of using ANNs to

improve model forecasts of ground-level ozone and its daily dynamics is shown.

Keywords: artificial neural networks, ground-level ozone, numerical forecast of pol-

lution, chemical transport model, CHIMERE

Борисов Д.В., Кузнецова И.Н.

87

Введение

По данным Всемирной организации здравоохранения, озон (O₃) явля-

ется одним из основных загрязняющих воздух веществ, которые представ-

ляют

угрозу

для

здоровья

населения

(https://www.who.int/publications/i/item/9789240034228); содержание озона

в приземном воздухе – приоритетный показатель при оценке качества воз-

духа [3].

В ФГБУ «Гидрометцентр России» разработана и реализована техноло-

гия численного прогнозирования качества атмосферного воздуха на основе

химической транспортной модели (ХТМ) CHIMERE. Расчеты концентра-

ций загрязнителей воздуха CHIMERE проводятся ежедневно на 48 часов

вперед с временным шагом 1 час в узлах регулярной сетки разрешением

2×2 км, покрывающей территорию московского региона. Для расчетов в

технологии используется оперативный прогноз модели COSMO-Ru чис-

ленного краткосрочного прогноза погоды (конфигурация COSMO-

Ru2ETR) [8]. Для задания антропогенных эмиссий CHIMERE использует

адаптированные региональные данные выбросов загрязняющих веществ в

атмосферу кадастра ЕМЕР (European Monitoring and Evaluation Programme,

https://www.emep.int/).

Регулярный мониторинг качества модельных расчетов CHIMERE про-

водится по данным автоматизированных измерений концентраций загряз-

нителей на более чем 50 автоматических станциях контроля загрязнения

атмосферы

(АСКЗА)

ГПБУ

«Мосэкомониторинг»

в

Москве

(https://mosecom.mos.ru/). Оценки успешности модельного прогноза кон-

центраций приземного озона показывают в среднем удовлетворительное

качество прогнозов максимальной и средней суточной концентрации озона.

Вместе с тем выявлена сезонная особенность модельных отклонений – за-

вышение концентрации озона летом, в т. ч. в «озоновых» эпизодах, когда

наблюдаются самые высокие уровни озона [4, 7].

Успешность модельного расчета концентрации приземного озона во

многом зависит от точности данных об эмиссиях предшественников. Как

показал выполненный автором анализ, в кадастре ЕМЕР в последние годы

отмечаются значительные изменения отраслевой структуры и объемов вы-

бросов отдельных ингредиентов, что, безусловно, вписывается в наблюда-

емую реальную динамику выбросов загрязняющих веществ в атмосферу

[5]. И для приближения модельных расчетов к наблюдаемым концентра-

циям требуется регулярная актуализация начальных данных о выбросах на

этапе препроцессинга. Заметим, что данные ЕМЕР обновляются с задерж-

кой

2

года;

в

настоящее время доступны данные 2020 г.

(https://www.ceip.at/the-emep-grid/gridded-emissions).

Другим способом повышения успешности прогнозов приземного

озона является статистическая коррекция расчетов CHIMERE на этапе

постпроцессинга.

88

Метеорологические прогнозы, математическое моделирование

В данном исследовании предлагается метод коррекции прогнозов кон-

центраций приземного озона ХТМ CHIMERE путем обучения и примене-

ния искусственной нейронной сети (ИНС). Этот метод в настоящее время

активно применяется в различных областях науки и практической деятель-

ности. Аппарат нейронных сетей применительно к прогнозированию при-

земного озона одними из первых в нашей стране был апробирован сотруд-

никами Института оптики атмосферы и океана [2]. Авторы использовали

многослойный персептрон с тремя скрытыми слоями. Установлено, что

нейронная сеть способна описать 70 % дисперсии среднего и 49 % диспер-

сии среднеквадратического отклонения среднесуточной приземной кон-

центрации озона.

В целом ряде зарубежных научных публикаций последних лет приво-

дятся результаты применения методов машинного обучения для прогнози-

рования и коррекции прогнозов качества воздуха; наибольшую эффектив-

ность показывают искусственные нейронные сети, в особенности глубокие

нейронные сети [10‒12].

Методы и данные

Искусственная нейронная сеть (ИНС) – математическая модель, воз-

никшая из попыток смоделировать обработку информации человеческим

мозгом. Основным преимуществом ИНС является возможность и способ-

ность накапливать, обобщать большие объемы информации, т. е. обу-

чаться. Базовыми составляющими ИНС являются искусственные нейроны,

которые образуют слои.

На вход ИНС подается набор предикторов. Нейроны входного слоя

ИНС обрабатывают набор предикторов так, что значение на выходе каж-

дого нейрона представляет собой взвешенную линейную комбинацию

входных предикторов; нейроны скрытых слоев дают на выходе взвешен-

ные линейные комбинации выходных значений нейронов предыдущего

слоя. Функция активации масштабирует выходные сигналы нейронов,

обычно в интервалах [0, 1] или [-1, 1]. Прогнозом ИНС является выходное

значение нейрона последнего слоя. В случае задачи регрессии на выходном

слое всегда задан один нейрон. На рис. 1 схематично представлен процесс

обработки информации искусственной нейронной сетью.

Основными параметрами ИНС, от которых зависит точность прогноза,

являются синаптические связи между нейронами, или веса ИНС (w на рис.

1). Весь процесс вывода прогноза ИНС с любым количеством слоев и

нейронов из набора предикторов можно формализовать как

ꢀ ꢁ ꢂꢃꢄ, ꢅ, ꢆ ꢇ,

где Y – целевая переменная, прогноз ИНС; X – набор входных данных –

предикторов; W – набор весов синаптических связей в слоях ИНС; b – сме-

щения в слоях ИНС.

89

Борисов Д.В., Кузнецова И.Н.

Метеорологические прогнозы, математическое моделирование

90

Обучение ИНС заключается в оптимизации весов W с целью миними-

зации функции потерь. Для обучения необходима обучающая выборка

формы (n записей × m предикторов) и массив истинных значений целевой

переменной формы (n записей).

Каждый шаг обучения состоит из нескольких этапов:

1) на вход ИНС подается пакет данных – подвыборка из обучающей

выборки. Перед обучением задается размер пакета, обучающая выборка

разбивается на ꢀ = ^{размер обучающей выборки}пакетов данных, соответственно,

размер пакета

обучение проходит в n шагов;

2) на выходе ИНС вычисляется функция потерь L, например, среднее

абсолютное отклонение прогнозов ИНС от истинных значений целевой пе-

ременной;

ꢁꢂ

3) вычисляется градиент функции потерь по весам ИНС _ꢁꢃ

;

4) веса ИНС обновляются в сторону снижения функции потерь по пра-

вилу:

ꢁꢂ

ꢄ = ꢄ

− ꢆ ⋅

,

ꢅ

ꢅ−1

ꢁꢃ

где ꢄ – обновленные веса; ꢄ_ꢅ−1– веса на предыдущем шаге обучения; ꢆ

ꢅ

– шаг обучения, или скорость обучения.

Проход всего обучающего набора данных через ИНС называется эпо-

хой обучения.

Формирование обучающей выборки для коррекции прогнозов озона

ХТМ CHIMERE производилось из доступных авторам ежедневных почасо-

вых прогнозов ХТМ CHIMERE для территории московского региона на

двое суток (48 часов) вперед за период 02 февраля 2019 года – 25 сентября

2023 года, что составляет ~ 5 лет прогнозов.

Вместе с прогнозами концентраций загрязнителей в обучающую вы-

борку на той же регулярной сетке включены данные препроцессинга (про-

гнозы метеопараметров, данные об эмиссиях и др.), которые использует

CHIMERE при построении прогнозов.

В обучающую выборку вошли 34848 часовых прогнозов CHIMERE на

сетке разрешением 2×2 км за период 02.07.2019 ‒ 25.09.2023; по техниче-

ским причинам отсутствуют прогнозы CHIMERE за период с 22.05 по

30.09.2021 – за теплый период, когда зачастую наблюдаются повышенные

и высокие концентрации приземного озона (т.н. «озоновые эпизоды»).

Также имеются длительные пропуски прогнозов во второй половине де-

кабря 2019 г. и с середины сентября по середину октября 2022 г. Таким

образом, в обучающей выборке содержатся модельные часовые концентра-

ции приземного озона во все сезоны. Для формирования массива целевой

переменной в выборку включены часовые данные измерений концентра-

ций приземного озона на АСКЗА в г. Москве. В рассматриваемый период

Борисов Д.В., Кузнецова И.Н.

91

измерения концентрации приземного озона проводились на 17 АСКЗА, рас-

положенных жилых примагистральных районах Москвы

в

и

(https://mosecom.mos.ru/karta/). В базу данных за ~5 лет внесены 516009 по-

часовых измерений концентраций приземного озона на АСКЗА различной

функциональной принадлежности.

Список предикторов (или признаков) обучающей выборки составлялся

из имеющихся представлений о физических связях озона с предшественни-

ками в урбанизированной среде, зависимости изменчивости концентрации

приземного озона от метеорологических факторов, включая тропосферный

обмен [1, 3, 4, 6, 7, 9].

Список предикторов включает в себя следующие величины:

.

Прогностические часовые концентрации O₃и предшественников

NO, NO₂, по расчетам CHIMERE.

Из данных препроцессинга – часовые прогностические значения

.

метеорологических характеристик системы COSMO-Ru на сетке CHI-

MERE: температура на высоте 2 м, высота пограничного слоя, относитель-

ная влажность воздуха, осадки, скорость ветра на высоте 10 м, коротковол-

новая радиация, температурный градиент в слоях 2–200 м и 2‒700 м,

скорость ветра на высоте 700 м. Температурные градиенты и высотный ве-

тер вычислялись из значений метеопараметров на соответствующих высот-

ных уровнях сетки CHIMERE.

.

Среднее многолетнее значение общего содержания озона (ОСО) в

атмосферном столбе за каждый календарный день (предоставлены Цен-

тральной аэрологической обсерваторией), тип АСКЗА; месяц, день недели,

час прогноза.

Обучающая выборка включает в себя 18 описанных выше предикто-

ров. Часовые данные измерений озона на АСКЗА синхронизированы по

времени с предикторами в ближайшем к координатам каждой АСКЗА узле

модельной сетки, выбранными из данных препроцессинга (метеорологиче-

ские параметры) и прогнозов CHIMERE.

Массив целевой переменной (Y) формировался как отклонение про-

гноза концентрации озона CHIMERE от соответствующих измерений на

АСКЗА. После синхронизации прогнозов CHIMERE и данных измерений

на АСКЗА объем обучающей выборки после удаления пропусков составил

428733 записи, которые охватывают все сезоны в ~5-летний период

02.07.2019 ‒ 25.09.2023.

Следует отметить, что разработанный алгоритм формирования обуча-

ющих выборок, включая сбор, обработку и синхронизацию прогнозов CHI-

MERE и данных измерений концентраций на АСКЗА, добавление данных

из внешних файлов, конструирование признаков и удаление некорректных

данных (многократное превышение средних уровней, отрицательные зна-

чения концентраций озона), может использоваться для формирования

любых обучающих выборок, а также для пополнения обучающих выборок

92

Метеорологические прогнозы, математическое моделирование

новыми данными. Алгоритм разработан на языке программирования

Python с использованием библиотек Pandas, Numpy, netCDF4.

Также разработан отдельный алгоритм для проведения экспериментов

по обучению и тестированию ИНС. Алгоритм разрабатывался с целью под-

бора такой конфигурации ИНС, которая показала бы лучшую точность и

устойчивость при решении основной задачи исследования – уточнения чис-

ленных прогнозов приземного озона CHIMERE.

Разработка алгоритма велась по принципам универсальности и авто-

матизации; он базируется на применении Python-функций, которые со-

здают и обучают ИНС по заданным конфигурациям отдельно или в цикле.

Этот алгоритм позволяет создавать ИНС с любым количеством полносвяз-

ных слоев и нейронов, добавлять в слои исключения (dropout), задавать лю-

бые схемы затухания скорости обучения, задавать импульс обновления ве-

сов, свободно задавать настройки процесса обучения – размер пакета,

количество эпох обучения и др. При разработке алгоритма на языке про-

граммирования Python использовались библиотеки машинного обучения

Keras и Tensorflow.

Эксперименты по обучению ИНС

В табл. 1 представлен перечень конфигураций ИНС, обученных в ходе

проведения экспериментов по установлению лучших ИНС. Отметим, что

эксперименты 1‒3 были направлены на обучение различных архитектур

ИНС; в экспериментах 4‒7 опробованы дополнительные методы повыше-

ния эффективности процесса обучения – затухание скорости обучения, за-

дание импульса обновления весов. В экспериментах 8‒9 опробован метод

исключения нейронов (англ. dropout) в слоях ИНС; в экспериментах 10‒12

задана комбинация затухания скорости обучения и импульса обновления

весов при различных архитектурах ИНС.

Алгоритм проводит обучение всех ИНС по принципу перекрестной

проверки, с установкой количества блоков k. Перекрестная проверка под-

разумевает разбиение обучающей выборки на k блоков и обучение одной и

той же вариации ИНС k раз. Каждый раз ИНС обучается на k-1 блоках дан-

ных, на оставшемся контрольном блоке, т. е. на независимой выборке, вы-

числяется оценка точности ИНС, например, среднее абсолютное отклоне-

ние прогнозов ИНС от истинных значений целевой переменной. Оценки

точности вычисляются после каждой эпохи обучения.

В завершении оценки точности по эпохам осредняются по k блокам,

таким образом сглаживаются флуктуации оценок точности ИНС на разных

данных и повышается репрезентативность оценок. По осредненным оцен-

кам строятся т. н. кривые обучения – графики точности ИНС на каждой

эпохе обучения (см. рис. 2), по которым можно оценить эффективность обу-

чения ИНС.

Борисов Д.В., Кузнецова И.Н.

93

94

Метеорологические прогнозы, математическое моделирование

Тестирование обученных ИНС на независимых выборках

Ключевым этапом проведения экспериментов является тестирование

обученных ИНС на независимых выборках. Независимые выборки пред-

ставляют собой временные ряды данных в определенном пункте – на

АСКЗА, что позволяет проводить сравнение качества первичных и

cкорректированных ИНС прогнозов CHIMERE с измеренными на АСКЗА

концентрациями приземного озона.

Блок тестирования включает в себя:

1. Задание набора тестовых подвыборок вида «временной период –

АСКЗА».

2. Вырезка подвыборок из обучающей выборки, т.к. тестовые данные

никак не должны участвовать в обучении ИНС.

3. Прогон тестовых данных через обученные ИНС и получение рядов

скорректированных прогнозов.

4. Расчет статистических показателей качества первичных модельных

и cкорректированных ИНС прогнозов озона. Показатели успешности при-

менения ИНС определяются как по отдельным подвыборкам вида «времен-

ной период – АСКЗА», так и осредняются по всей выборке, по заданным

временным периодам, по типовым АСКЗА.

5. Визуализация результатов тестирования.

Наибольший интерес представляет установление эффективности кор-

рекции ИНС в периоды высоких концентраций озона, которые весной свя-

заны чаще всего со значительным притоком озона из верхних слоев атмо-

сферы, а летом образуются из-за активной фотохимической генерации

озона в жаркую погоду в загрязненном городском воздухе [3, 4, 9]. Также

отдельный интерес представляют изменения конфигураций ИНС в усло-

виях различной антропогенной нагрузки, что определило задачу оценки ре-

зультатов отдельно по АСКЗА транспортного, жилого, смешанного и

условно фонового типа.

Общий объем тестовой (независимой) выборки составил 3282 записи

данных; из них сформировано 20 периодов семисуточной продолжительно-

сти. Для тестирования экспериментальных ИНС отобраны два летних и три

весенних семисуточных периодов в разные годы. Для каждого из периодов

выбраны данные четырех типов АСКЗА (табл. 2).

Обсуждение результатов

По итогам обучения экспериментальных ИНС (табл. 1) по анализу

кривых обучения лучшие результаты показали ИНС 4‒7 и 10‒12 – двух- и

трехслойные ИНС с включением затухания скорости обучения и импульса

обновления весов, среднее абсолютное отклонение (САО) которых на

100 эпохе достигает значений в пределах 8‒9. Менее успешные результаты

показали ИНС 1‒3 с вариациями архитектур полносвязных слоев – САО

Борисов Д.В., Кузнецова И.Н.

95

на 100 эпохе достигает значений 9‒11; худшие результаты показали ИНС

8 и 9 с исключениями нейронов в слоях – САО на 100 эпохе 12.36 и 18.76 в

эксперименте 8 и 9 соответственно. На рис. 2 для сравнения приведены

кривые обучения ИНС-7 и ИНС-9.

Таблица 2. Временные ряды данных на АСКЗА, составляющие независимую вы-

борку для тестирования экспериментальных конфигураций ИНС

Table 2. ASKZA data time series constituting an independent sample for experimental

ANN configurations testing

Временные периоды

Типовая принадлежность АСКЗА

Начало

периода

Конец

периода

Транс-

портная

Смешанная

Жилая

Фоновая

5.06.2019

11.06.2019 Хамовники

Марьино

Спиридоновка

Толбухина

МГУ

10.05.2022 16.05.2022 МАДИ

Площадь

13.04.2021 19.04.2021 Гагарина

Кожухово

Спиридоновка

Туристская

МГУ

16.03.2020 22.03.2020 Хамовники Марьино

Площадь

28.06.2022 04.07.2022 Гагарина

Марьино

Спиридоновка

МГУ

В табл. 3 представлены общие – осредненные по всем тестовым под-

выборкам (табл. 2) ‒ статистические показатели качества первичных мо-

дельных и cкорректированных ИНС прогнозов озона для каждой обучен-

ной в ходе экспериментов ИНС.

Используемые в табл. 3 обозначения:

. средняя за период концентрация озона: OBS – измерения на АС-

КЗА, Chim – прогноз CHIMERE, ANN – скорректированная ИНС.

. Bias, ABS, RMS, R – среднее отклонение, среднее абсолютное от-

клонение, стандартное отклонение ошибки, коэффициент корреляции про-

гнозов CHIMERE (Chim) / скорректированных ИНС прогнозов (ANN) и из-

мерений на АСКЗА.

Обращают на себя внимание знаки средних отклонений: при том что

CHIMERE в среднем завышает концентрации озона по сравнению с изме-

рениями, расчеты всех 12 тестируемых ИНС приводят к занижению кон-

центраций, но оно по величинам меньше, чем завышения ХТМ CHIMERE

(за исключением экспериментов 1, 2, 8, 9). Наименьшие и близкие к 0 сред-

ние отклонения «расчет-наблюдение» оказались свойственными для ИНС

5 и 7, 11 и 12.

Отметим, во всех экспериментах (кроме 9) наблюдается снижение

средней абсолютной ошибки прогноза CHIMERE после коррекции ИНС.

Наибольшее уменьшение среднего абсолютного отклонения – практически

в 2 раза – показывали ИНС 4‒7 и 10‒12, то есть двух- и трехслойные ИНС

96

Метеорологические прогнозы, математическое моделирование

с применением затухания скорости обучения и импульса обновления весов.

Эти же ИНС показывают наибольшее снижение стандартного отклонения

ошибки прогноза.

а)

б)

Рис. 2. Кривые обучения ИНС конфигураций 7 (а) и 9 (б).

Fig. 2. Learning curves of ANN configurations 7 (a) and 9 (б).

Борисов Д.В., Кузнецова И.Н.

97

Таблица 3. Статистические показатели качества первичных модельных и

cкорректированных экспериментальными ИНС прогнозов озона

Table 3. Statistical indicators of the quality of primary model and experimentally

ANN corrected ozone forecasts

Экс-

пери-

мент

1

2

3

4

5

6

7

8

9

10

11

12

Средняя за период концентрация озона

56,67 56,67 56,67 56,67 56,67 56,67 56,67 56,67 56,67 56,67 56,67 56,67

62,21 62,21 62,21 62,21 62,21 62,21 62,21 62,21 62,21 62,21 62,21 62,21

OBS

Chim

ANN

49,02 50,78 53,47

53

54,23 54,06 55,72 48,49 42,14 53,39 54,26 53,91

Bias

Chim

ANN

5,54 5,54 5,54 5,54 5,54 5,54 5,54 5,54 5,54 5,54 5,54 5,54

-7,65 -5,88 -3,2 -3,66 -2,44 -2,61 -0,94 -8,17 -14,52 -3,27 -2,41 -2,75

ABS

Chim 23,61 23,61 23,61 23,61 23,61 23,61 23,61 23,61 23,61 23,61 23,61 23,61

АNN

17,14 16,21 15,05 13,45 13,4 13,36 13,18 17,5 24,02 13,82 13,49 13,96

RMS

Chim 28,87 28,87 28,87 28,87 28,87 28,87 28,87 28,87 28,87 28,87 28,87 28,87

ANN

21,56 20,5 19,23 17,19 17,41 17,28 17,14 21,72 27,97 17,75 17,44

R

18

0,57 0,57 0,57 0,57 0,57 0,57 0,57 0,57 0,57 0,57 0,57 0,57

0,77 0,8 0,82 0,86 0,86 0,86 0,87 0,77 0,56 0,85 0,86 0,85

Chim

ANN

Для коррекции всех ИНС, кроме ИНС-9, характерно увеличение коэф-

фициента корреляции (R) «прогноз ‒ измерение» по сравнению с первич-

ными прогнозами CHIMERE, наибольшее увеличение с R= 0.57 до R= 0.85-

0.87 показали те же ИНС 4‒7 и 10‒12.

В среднем по тестовой выборке наилучшие результаты по всем полу-

ченным оценкам – снижение Bias, ABS, RMS; увеличение R – показала

ИНС-7 – двуслойная ИНС 100‒50 нейронов со значением импульса обнов-

ления весов 0.9. Худшие результаты с увеличением средних отклонений (по

модулю) и снижением коэффициента корреляции после коррекции пока-

зали ИНС 8 и 9 – с исключениями нейронов в слоях.

Далее обсуждаются результаты коррекции прогнозов CHIMERE с по-

мощью лучшей ИНС-7 в летнем и весеннем эпизодах на отдельных подвы-

борках вида временной период-АСКЗА.

Как видно в табл. 4, по всем осредненным за летний эпизод 5‒11 июня

2019 г. показателям и критериям расчеты ИНС-7 имеют преимущества пе-

ред первичными прогнозами CHIMERE.

98

Метеорологические прогнозы, математическое моделирование

Таблица 4. Средняя за период концентрация приземного озона (мкг/м³) – измерен-

ная (OBS), рассчитанная по ХТМ CHIMERE (Chim) и ИНС-7 (ANN), статистические

характеристики качества прогнозов CHIMERE и ИНС-7. Эпизод 5-11 июня 2019 г.

Table 4. Period-average ground-level ozone concentration (μg/m³) – measured (OBS),

calculated using CHIMERE (Chim) and ANN-7 (ANN), statistical characteristics of the

quality of CHIMERE and ANN-7 forecasts. June 5-11, 2019 episode

АСКЗА

Экспери-

мент

Хамовники

Транспортная

Марьино

Спиридоновка

Жилая

МГУ

Фоновая

Смешанная

OBS

Chim

59,11

47

60,85

45,16

65,31

-15,69

4,46

70,37

42,76

67,8

76,77

45,55

60,98

-31,22

-15,79

35,2

ANN

51,27

-12,11

-7,84

17,59

13,77

19,28

16,03

0,89

Bias Chim

Bias ANN

ABS Chim

ABS ANN

RMS Chim

RMS ANN

R Chim

-27,61

-2,57

28,23

14,36

20,47

17,05

0,92

20,55

12,13

21,42

14,56

0,9

20,46

27,86

20,34

0,86

R ANN

0,93

0,96

0,94

0,92

На фоне хороших средних за период показателей качества коррекции

первичных прогнозов ХТМ с помощью ИНС-7, при анализе временного

хода модельных расчетов и измеренных концентраций можно отметить не-

которые особенности. На рис. 3 иллюстрируются расчеты ХТМ, ИНС-7 для

станций четырех типов (см. табл. 4).

Обсуждаемый летний эпизод характеризуется высокими уровнями

озона, превысившими 6 и 7 июня ПДК_м.р.,(равная 160 мкг/м³, отмечено чер-

ной пунктирной линией на рис. 3). Повышенные концентрации наблюда-

лись в послеполуденные часы, что объясняется фотохимическим производ-

ством озона в приземном слое в присутствии предшественников – оксидов

азота, при высокой УФ-облученности. В темное время суток концентрация

приземного озона уменьшалась по наблюдениям и модельным расчетам до

1‒10 мкг/м³.

Как видно на рис. 3, в данном эпизоде CHIMERE занижает концентра-

ции озона по сравнению с измерениями на всех АСКЗА, больше всего – на

АСКЗА жилого и фонового типов. В то же время CHIMERE довольно точно

воспроизводила суточную изменчивость озона, время дневных максиму-

мов и ночных минимумов, что подтверждается высокими коэффициентами

корреляции между измерениями и прогнозами на всех АСКЗА (R_Chim

0.86‒0.92).

=

Борисов Д.В., Кузнецова И.Н.

99

Рис. 3. Временной ход концентрации приземного озона по измерениям на

АСКЗА, прогнозам CHIMERE и скорректированным ИНС-7 прогнозам в пе-

риод 5-11 июня 2019 г.

Fig. 3. Dynamics of ground-level ozone concentration according to measurements

at ASKZA, CHIMERE forecasts and adjusted with ANN-7 forecasts for the June

5-11, 2019 period.

ИНС заметно корректирует прогноз концентраций озона по ХТМ CHI-

MERE – на всех АСКЗА уменьшила модельные занижения, приблизив зна-

чения прогноза к измерениям. Наиболее выраженная эффективность кор-

рекции ИНС установлена для АСКЗА смешанного и жилого типа (Марьино

и Спиридоновка). На АСКЗА транспортного типа Хамовники обнаружены

ошибочные занижения ИНС-7 8 и 10 июня. На фоновой станции МГУ

ИНС-7 почти вдвое уменьшила отрицательное отклонение прогноза CHI-

MERE. В целом следует отметить, что в данном эпизоде ИНС-7 повысила

100

Метеорологические прогнозы, математическое моделирование

точность прогноза максимумов и суточных циклов концентрации призем-

ного озона, также на всех АСКЗА увеличился коэффициент корреляции

«прогноз – измерение» до 0,92‒0,96.

Выше рассматривался летний период с зафиксированными «озоно-

выми» эпизодами фотохимического происхождения. Отдельный интерес

представляет анализ возможностей моделирования и коррекции с помощью

ИНС в эпизоде весеннего значительного повышения содержания озона в

приземном воздухе вследствие усиления притока тропосферного озона.

Один из таких эпизодов наблюдался в середине апреля 2021 г., что хорошо

видно на рис. 4.

Рис. 4. Временной ход концентрации приземного озона по измерениям на

АСКЗА, прогнозам CHIMERE и скорректированным ИНС-7 прогнозам в пе-

риод 13-19 апреля 2021 г.

Fig. 4. Dynamics of ground-level ozone concentration according to measure-

ments at ASKZA, CHIMERE forecasts and adjusted with ANN-7 forecasts for the

April 13-19, 2021 period

Борисов Д.В., Кузнецова И.Н.

101

Рассматриваемый весенний эпизод содержит два режима приземного

озона: 13‒15 апреля наблюдался близкий к типовому суточный ход с хо-

рошо выраженной амплитудой озона до 80‒100 мкг/м³; вторая половина

эпизода 16‒19 апреля отражала характерный для ветреной неустойчивой

погоды режим приземного озона с небольшими внутрисуточными колеба-

ниями концентрации на повышенном фоне.

Как видно на рис. 4, расчеты ИНС-7 имеют явное преимущество над

прогнозами концентрации приземного озона CHIMERE на всех типовых

АСКЗА. CHIMERE так же, как в предыдущем эпизоде, чаще всего иска-

жает суточную динамику концентраций озона. ИНС-7 на АСКЗА транс-

портного типа (пл. Гагарина) уменьшает завышенные прогнозы CHIMERE

и корректирует суточную изменчивость озона. На АСКЗА смешанного типа

(Кожухово) ИНС ошибочно занижает прогнозы CHIMERE, которые оказа-

лись в среднем близки к измерениям, но улучшает воспроизведение суточ-

ной изменчивости концентраций озона (R_Chim= 0,38, R_ANN= 0,87). При этом

следует отметить, что на этой АСКЗА, расположенной за пределами

МКАД, измеренные концентрации озона почти на 20 мкг/м³превышали

уровень озона на городских станциях (табл. 5).

Таблица 5. Средняя за период концентрация приземного озона (мкг/м³) – из-

меренная (OBS), рассчитанная по ХТМ CHIMERE (Chim) и ИНС-7 (ANN), ста-

тистические характеристики качества прогнозов CHIMERE и ИНС-7. Эпизод

13–19 апреля 2021 г.

Table 5. Period-average ground-level ozone concentration (μg/m³) – measured

(OBS), calculated using CHIMERE (Chim) and ANN-7 (ANN), statistical character-

istics of the quality of CHIMERE and ANN-7 forecasts. April 13-19, 2021 episode

АСКЗА

Экспери-

мент

Площадь Гагарина

Транспортная

Кожухово

Смешанная

Спиридоновка

Жилая

МГУ

Фоновая

OBS

Chim

30,4

61,59

39,37

31,19

8,97

82,34

77,39

65,62

-4,94

-16,71

19,64

17,37

24,82

14,33

0,38

62,16

63,31

61

64,8

61,27

73,72

-3,53

8,92

ANN

Bias Chim

Bias ANN

ABS Chim

ABS ANN

RMS Chim

RMS ANN

R Chim

1,15

-1,16

15,35

8,96

31,19

10,34

14,85

9,77

14,13

12,64

18,72

13,17

0,68

18,88

10,96

0,71

0,68

R ANN

0,85

0,87

0,92

0,89

102

Метеорологические прогнозы, математическое моделирование

На АСКЗА жилого типа (Спиридоновка) CHIMERE довольно точно

спрогнозировала средний уровень озона, но ИНС успешнее отразила суточ-

ную изменчивость прогнозов CHIMERE (R_Chim= 0,71, R_ANN= 0,92). На

АСКЗА фонового типа МГУ ИНС-7 ошибочно завысила прогнозы

CHIMERE, в то же время значительно улучшила воспроизведение суточной

динамики прогностических концентраций (R_Chim= 0,68, R_ANN= 0,89).

По результатам тестовых сравнений первичных модельных прогнозов

концентрации приземного озона по ХТМ CHIMERE с расчетами ИНС в

двух недельных эпизодах выявлена и подтверждена количественными по-

казателями эффективность применения ИНС для уточнения суточной ди-

намики и уровня озона на большинстве АСКЗА.

Заключение

Выполнен анализ возможностей применения ИНС в области прогно-

зирования качества воздуха. Изучены методы построения ИНС, разрабо-

таны авторские алгоритмы формирования обучающих выборок; создания,

обучения и тестирования конфигураций ИНС для выбора оптимальных мо-

делей коррекции прогнозов атмосферных загрязнений.

Впервые для статистической коррекции модельных прогнозов концен-

трации приземного озона, рассчитываемых на основе ХТМ CHIMERE, при-

менены ИНС. Для разработки ИНС сформирована база данных часовых мо-

дельных прогнозов озона, его предшественников и наблюдений в период

2019‒2023 гг. Использованы непрерывные измерения концентраций при-

земного озона на АСКЗА «Мосэкомониторнг». Проведены эксперименты

по построению, обучению и тестированию ИНС с вариациями конфигура-

ций ИНС.

Экспериментальное тестирование всех созданных ИНС показало целе-

сообразность применения метода для повышения качества прогноза при-

земного озона.

Авторы выражают признательность и благодарность руководству

ГПБУ «Мосэкомониторинг» за предоставление данных, позволяющее вы-

полнять научно-практические разработки на современном уровне.

Список использованных источников

1. Антохин П.Н., Белан Б.Д. Регулирование динамики тропосферного озона

через стратосферу // Оптика атмосферы и океана. 2012. Т. 25, № 10. С. 890-895.

2. Антохин П.Н., Белан Б.Д., Савкин Д.Е., Толмачев Г.Н. Сравнение различ-

ных методов статистического прогнозирования суточной динамики приземной

концентрации озона // Оптика атмосферы и океана. 2013. Т. 26, № 12. С. 1082-1089.

3. Белан Б.Д. Озон в тропосфере. Томск: Изд-во ИОА СО РАН, 2010. 488 с.

4. Борисов Д.В., Шалыгина И.Ю., Лезина Е.А. Исследование сезонной и су-

точной изменчивости концентраций приземного озона // Гидрометеорологические

исследования и прогнозы. 2020. № 3 (377). С. 122-135.

Борисов Д.В., Кузнецова И.Н.

103

5. Борисов Д.В., Кузнецова И.Н., Нахаев М.И. Изменения кадастровых данных

о выбросах в атмосферу загрязняющих веществ в московском регионе // Гидроме-

теорологические исследования и прогнозы. 2023. № 2 (388). С. 156-173. DOI:

https://doi.org/10.37162/2618-9631-2023-2-156-173.

6. Еланский Н.Ф., Шилкин А.В., Пономарев Н.А., Захарова П.В., Качко М.Д.,

Поляков Т.И. Пространственно-временные вариации содержания загрязняющих

примесей в воздушном бассейне Москвы и их эмиссии // Известия РАН. ФАО.

2022. Т. 58, № 1. С. 92-108.

7. Кузнецова И.Н., Нахаев М.И., Кирсанов А.А., Борисов Д.В., Ткачева Ю.В.,

Ривин Г.С., Лезина Е.А. Тестирование и перспективы технологии прогнозирования

загрязнения воздуха с применением химических транспортных моделей CHIMERE

и COSMO-Ru2ART // Гидрометеорологические исследования и прогнозы. 2022. №

4 (386). С. 147-170. DOI: https://doi.org/10.37162/2618-9631-2022-4-147-170.

8. Ривин Г.С., Розинкина И.А., Астахова Е.Д., Блинов Д.В., Бундель А.Ю., Кир-

санов А.А., Шатунова М.В., Чубарова Н.Е., Алферов Д.Ю., Варенцов М.И., Захар-

ченко Д.И., Копейкин В.В., Никитин М.А., Полюхов А.А., Ревокатова А.П., Татари-

нович Е.В., Чурюлин Е.В. Система краткосрочного численного прогноза высокой

детализации COSMO-Ru, ее развитие и приложения // Гидрометеорологические

исследования и прогнозы. 2019. № 4 (374). С. 27-53.

9. Borisov D.V., Kuznetsova I.N., Shalygina I.Y., Nahaev M.I., Lezina E.A., Lap-

chenko V.A. Monitoring of surface ozone in the Moscow region // Тезисы конференции

QOS (Online Meeting Quadrennial Ozone Symposium). 3‒9 October 2021.

10. Freeman B.S., Taylor G., Gharabaghi B., Th´e J. Forecasting air quality time

series using deep learning // J. Air Waste Manag. Assoc. 2018. Vol. 68, no. 8. P. 866-

886. https://doi. org/10.1080/10962247.2018.1459956.

11. Masood A., Kafeel A. A review on emerging artificial intelligence (AI) tech-

niques for air pollution forecasting: Fundamentals, application and performance // Jour-

nal of Cleaner Production. 2021. Vol. 322. P. 129072. DOI: 10.1016/j.jcle-

pro.2021.129072.

12. Min Xu et al. Machine learning based bias correction for numerical chemical

transport

models

//

Atmospheric

Environment.

2021.

Vol.

248.

https://doi.org/10.1016/j.atmosenv.2020.118022.

References

1. Antokhin P.N., Belan B.D. Control of the Dynamics of Tropospheric Ozone

through the Stratosphere. Atmospheric and Oceanic Optics, 2013, vol. 26, no. 3, pp. 207-

213.

2. Antokhin P.N., Belan B.D., Savkin D.E., Tolmachev G.N. The comparison of dif-

ferent methods of statistical prediction of diurnal dynamics in the ground ozone concen-

tration. Atmospheric and Oceanic Optics, 2013, vol. 26, no. 12.

3. Belan B.D. Ozon v troposphere [Ozone in the troposphere]. Tomsk, IOA SO

RAN publ., 2010, 488 p. [in Russ.].

4. Borisov D.V., Shalygina I.Yu., Lezina E.A. Studying seasonal and daily variabil-

ity of surface ozone. Gidrometeorologicheskie issledovaniya i prognozy [Hydrometeor-

ological Research and Forecasting], 2020, vol. 377, no. 3, pp. 122-135 [in Russ.].

5. Borisov D.V., Kuznetsova I.N., Nakhaev M.I. Changes in inventory data on pol-

lutant emissions into the atmosphere over the Moscow region. Gidrometeorologicheskie

issledovaniya i prognozy [Hydrometeorological Research and Forecasting], 2023,

104

Метеорологические прогнозы, математическое моделирование

vol. 388, no. 2, pp. 156-173. DOI: https://doi.org/10.37162/2618-9631-2023-2-156-173

[in Russ.].

6. Elansky N.F., Shilkin A.V., Ponomarev N.A., Zakharova P.V., Kachko M.D., Polia-

kov T.I. Spatiotemporal variations in the content of pollutants in the Moscow air basin

and their emissions. Izvestiya, Atmospheric and Oceanic Physics, 2022, vol. 58, no. 1,

pp. 80-94.

7. Kuznetsova I.N., Nakhaev M.I., Kirsanov A.A., Borisov D.V., Tkacheva Yu.V.,

Rivin G.S., Lezina E.A. Testing and prospects of air pollution prediction technology based

on CHIMERE and COSMO-Ru2ART chemical transport models. Gidrometeoro-

logicheskie issledovaniya i prognozy [Hydrometeorological Research and Forecasting],

2022, vol. 386, pp. 147-170. DOI: 10.37162/2618-9631-2022-4-147-170 [in Russ.].

8. Rivin G.S., Rozinkina I.A., Astakhova E.D., Blinov D.V., Bundel’A.Yu., Kirsanov

A.A., Shatunova M.V., Chubarova N.Ye., Alferov D.Yu., Varentsov M.I., Zakharchenko

D.I., Kopeykin V.V., Nikitin M.A., Poliukhov A.A., Revokatova A.P., Tatarinovich E.V.,

Churiulin E.V. COSMO-Ru high-resolution short-range numerical weather prediction

system: its development and applications. Gidrometeorologicheskie issledovaniya i

prognozy [Hydrometeorological Research and Forecasting], 2019, vol. 374, no.4, pp.

27-53 [in Russ.].

9. Borisov D.V., Kuznetsova I.N., Shalygina I.Y., Nahaev M.I., Lezina E.A.,

Lapchenko V.A. Monitoring of surface ozone in the Moscow region. Online Meeting

Quadrennial Ozone Symposium. 3‒9 October 2021.

10. Freeman B.S., Taylor G., Gharabaghi B., Th´e J. Forecasting air quality time

series using deep learning. J. Air Waste Manag. Assoc., 2018, vol. 68, no. 8, pp. 866-

886. DOI: 10.1080/10962247.2018.1459956.

11. Masood A., Kafeel A. A review on emerging artificial intelligence (AI) tech-

niques for air pollution forecasting: Fundamentals, application and performance. Journal

of Cleaner Production, 2021, Vol. 322, pp. 129072. DOI: 10.1016/j.jcle-

pro.2021.129072.

12. Min Xu et al. Machine learning based bias correction for numerical chemical

transport models. Atmospheric Environment. 2021, vol. 248. DOI:

10.1016/j.atmosenv.2020.118022.

Поступила 17.11.2023; одобрена после рецензирования 23.11.2023;

принята в печать 12.12.2023.

Submitted 17.11.2023; approved after reviewing 23.11.2023;

accepted for publication 12.12.2023.