Гидрометеорологические исследования и прогнозы. 2024. № 3 (393). С. 42-63

42

DOI: https://doi.org/10.37162/2618-9631-2024-3-42-63

УДК 504.3.054+004.85+504.064

Интегрирование химической транспортной

модели и искусственной нейронной сети

для прогноза концентрации PM₁₀

Д.В. Борисов, И.Н. Кузнецова

Гидрометеорологический научно-исследовательский центр

Российской Федерации, г. Москва, Россия

lbj23.98@mail.ru

Разработана и протестирована гибридная модель прогноза приземных концентра-

ций PM₁₀на территории московского региона, состоящая из химической транспорт-

ной модели (ХТМ) и искусственной нейронной сети (ИНС), с использованием дан-

ных автоматических измерений PM₁₀. ИНС обучена рассчитывать концентрации

PM₁₀по данным прогноза концентраций ХТМ и прогностическим метеорологиче-

ским параметрам на сетке с разрешением 2 км. Обсуждаются результаты тестирова-

ния ИНС на независимых выборках, включающих эпизоды повышенных концентра-

ций PM₁₀.

Ключевые слова: искусственная нейронная сеть, гибридная модель, численный

прогноз загрязнения воздуха, взвешенные частицы, CHIMERE

Integration of a chemical transport model

and an artificial neural network

for PM₁₀concentration forecasting

D.V. Borisov, I.N. Kuznetsova

Hydrometeorological Research Center of Russian Federation,

Moscow, Russia

lbj23.98@mail.ru

A hybrid model for forecasting PM₁₀surface concentrations in the Moscow region,

consisting of a chemical transport model and an artificial neural network (ANN), with the

use of PM₁₀automatic measurements data was developed and tested. The ANN was trained

to predict PM₁₀concentrations based on the forecasts of CTM concentrations and meteor-

ological parameters on a 2 km grid. The results of testing the ANN based on independent

samples, including the episodes of high PM₁₀pollution, are discussed.

Keywords: artificial neural network, hybrid model, numerical forecasting of air pollu-

tion, PM₁₀, CHIMERE

Введение

Современной практикой контроля атмосферных загрязнений является

численное моделирование и прогнозирование с использованием химиче-

ских транспортных моделей (ХТМ). ХТМ являются основной многих

Борисов Д.В., Кузнецова И.Н.

43

национальных и глобальных систем прогнозирования качества воздуха, в

их числе Европейский ансамбль CAMS, состоящий из 11 ХТМ, Система

национального прогнозирования качества воздуха США на основе ХТМ

CMAQ, ХТМ CUAGE в Китае [9].

В Гидрометцентре России прогнозы загрязнения воздуха на террито-

рии московского региона рассчитываются на основе оффлайн ХТМ

CHIMERE [3]. ХТМ CHIMERE имеет горизонтальное разрешение сетки

2 км, использует прогностические метеорологические данные модели

COSMO-Ru-2ETR [4] и данные об антропогенных выбросах зарубежного

кадастра EMEP (https://www.emep.int/).

Качество численных прогнозов концентраций загрязняющих веществ

регулярно оценивается по данным измерений на более 50 автоматических

станциях контроля загрязнения атмосферы (АСКЗА) ГПБУ “Мосэкомони-

торинг” (https://mosecom.mos.ru/), расположенных на территории Москвы

и Московской области [3]. Сравнение модельных прогнозов с данными из-

мерений позволяет выявлять характерные отклонения модельных расчетов

от наблюдений и служит основой для выбора направления усовершенство-

вания прогнозирования.

В последние годы в сфере прогнозирования качества воздуха активно

внедряются методы машинного обучения (англ. Machine Learning, далее

ML). Многие исследователи обучают модели по данным наземных измере-

ний метеопараметров и примесей; такой подход достаточно точен, но огра-

ничивает возможность прогнозирования мезо- и крупномасштабных за-

грязнений, распространения шлейфов, поскольку модели обучены на

измерениях в точке и способны давать точный прогноз в той же точке либо

в среднем по городу [6].

Другой подход представляют интегрирование модели прогноза каче-

ства воздуха из ХТМ и модели машинного обучения; при таком подходе по

прогнозам ХТМ ML-модели обучаются «восстанавливать» измеренные

концентрации. К примеру, в публикации [10] обсуждается применение ги-

бридной модели, состоящей из трех ХТМ и четырех моделей машинного

обучения, в том числе рекуррентной искусственной нейронной сети (ИНС),

для прогноза концентраций PM₁₀, NOx, O₃в г. Стокгольме, Швеция. В Гер-

мании разработана гибридная модель, состоящая из ХТМ WRF-Chem и ис-

кусственной нейронной сети, для прогноза суточных максимумов O₃на

четверо суток вперед [7]. Используя ХТМ LOTOS-EUROS, китайские ис-

следователи обучили ИНС восстанавливать отклонения прогноза PM_2.5от

данных наземных измерений в г. Шанхае [8].

Интеграция ХТМ и моделей машинного обучения с использованием

данных наземных измерений позволяет улучшать качество прогноза

распространения загрязнений; преимуществом такого подхода является

прогнозирование на регулярной сетке для обширной территории. В ранее

опубликованной авторами работе [1] было показано улучшение прогнозов

концентраций O₃путем интеграции ХТМ и ML-модели.

44

Метеорологические прогнозы, математическое моделирование

Цель данного исследования – разработка и тестирование гибридной

модели прогноза концентраций PM₁₀на территории московского региона,

состоящей из ХТМ и ML-модели, с использованием данных измерений

АСКЗА “Мосэкомониторинг”.

Методы и использованные данные

Искусственная нейронная сеть представляет собой статистическую

модель, обучаемую предсказывать значение целевой переменной из набора

предикторов. Основными составляющими ИНС являются слои, состоящие

из искусственных нейронов. Нейроны первого слоя вычисляют взвешен-

ные линейные комбинации вектора предикторов, подаваемого на вход

ИНС, пропускают полученные комбинации через нелинейную функцию

активации (часто сигмоид или гиперболический тангенс) и передают полу-

ченные значения следующему слою, последующие слои проделывают те

же операции. Можно сказать, что слои ИНС вычисляют количество нейро-

нов новых представлений предикторов. Последний слой в случае регресси-

онной задачи имеет 1 нейрон, который выдает прогноз ИНС. Функция по-

терь (в случае регрессии – обычно средняя абсолютная ошибка) вычисляет

отклонение прогноза ИНС от истинного значения целевой переменной, за-

тем вычисляются градиенты функции потерь по весам нейронов ИНС и

веса обновляются в сторону минимизации функции потерь. Данные опера-

ции составляют 1 шаг обучения ИНС.

Обучающая выборка ИНС состоит из n векторов предикторов, кото-

рым соответствуют n истинных значений целевой переменной. За 1 шаг

обучения через ИНС проходит т. н. пакет данных, состоящий из m записей

обучающей выборки. Вся обучающая выборка проходит через ИНС за n/m

шагов, что называется эпохой обучения. Как правило, ИНС обучаются не-

сколько эпох.

Обучение ИНС заключается в последовательной оптимизации весов

ИНС с целью минимизации потерь, то есть отклонений прогнозов ИНС от

истинных значений целевой переменной.

Преимуществом ИНС перед другими моделями является выстраива-

ние сложных нелинейных связей между предикторами и целевой перемен-

ной. При обучении ИНС крайне важен состав и объем обучающей выборки

– чем больше и разнообразнее обучающая выборка, тем точнее ИНС вы-

строит связи между предикторами и целью. Не менее важен выбор предик-

торов – в случае прогноза концентраций они должны как можно более

полно описывать механизмы формирования загрязнений.

В данном исследовании поставлена цель обучить ИНС предсказывать

концентрации PM₁₀, максимально близкие к измерениям АСКЗА

“Мосэкомониторинг”, по прогнозам ХТМ CHIMERE и модели атмосферы

COSMO-Ru.

Для формирования массива истинных значений целевой переменной

использовались предоставленные ГПБУ “Мосэкомониторинг” данные

Борисов Д.В., Кузнецова И.Н.

45

часовых измерений PM₁₀на 32 АСКЗА за период с 00 ч ВСВ 1 января

2019 г. по 23.00 ч ВСВ 31 марта 2024 г., всего 962872 измерений. Основная

часть АСКЗА располагается в пределах и рядом с МКАД, несколько

АСКЗА – на удалении от Москвы (Павловский Посад, Зеленоград,

Огарёво, Троицк, Балашиха).

Основу обучающей выборки составили прогнозы концентраций за-

грязняющих веществ ХТМ CHIMERE и метеорологических параметров,

рассчитанных по модели атмосферы COSMO-Ru. Процедуры препроцес-

синга при расчетах CHIMERE включают интерполяцию прогнозов

метеопараметров COSMO-Ru на заданную сетку ХТМ CHIMERE. Архив

прогнозов содержит 1605 ежедневных прогнозов на сетке с горизонталь-

ным разрешением 2 км и временным шагом 1 час для территории москов-

ского региона с заблаговременностью 48 часов за период с 7 февраля

2019 г. по 29 февраля 2024 г. Для формирования обучающей выборки ис-

пользовались прогнозы ХТМ CHIMERE на первые сутки (ряды 24 ч).

По техническим причинам в архиве отсутствуют прогнозы за период

23 мая – 30 сентября 2021 года.

Выбросы автотранспорта – основной источник загрязнений в мегапо-

лисах. Источником PM₁₀служат поднятие пыли на стройках и дорогах, сти-

рание автомобильных шин и дорожного полотна. В обучающей выборке

были использованы два типа данных, отражающих распределение транс-

портной нагрузки по территории московского региона.

Данные о среднегодовых суммарных выбросах автотранспорта на

участках улично-дорожной сети Москвы рассчитаны специалистами

Научно-исследовательского института автомобильного транспорта

(НИИАТ). По разработанной в Гидрометцентре России методике [5] дан-

ные НИИАТ интерполированы на регулярную сетку с горизонтальным раз-

решением 2 км.

Открытые

геоинформационные

данные

OpenStreetMap

(OSM, https://download.geofabrik.de/) описывают формы и протяженность

автомобильных дорог на территории московского региона. В Гидромет-

центре России разработана методика вычисления по данным OSM плотно-

сти автомобильных дорог (в км/км²) в узлах регулярной сетки (автор –

А.А. Кирсанов). В обучающей выборке использовались данные плотности

автомобильных дорог на территории московского региона в узлах регуляр-

ной сетки с разрешением 2 км.

В табл. 1 представлен полный список предикторов обучающей

выборки ИНС для прогноза концентраций PM₁₀. Предикторы выбирались

из представлений о факторах изменчивости концентраций PM₁₀на терри-

тории московского региона. Из прогнозов метеопараметров COSMO-Ru

выбраны основные приземные метеопараметры и рассчитаны градиенты

температуры для учета термической устойчивости в пограничном слое

атмосферы (АПС). Скорость и направление ветра на высотах рассчитаны

для учета дальнего переноса PM₁₀в обучающей выборке. «Календарные»

46

Метеорологические прогнозы, математическое моделирование

предикторы – месяц, день недели, час прогноза – добавлены в обучающую

выборку для учета сезонно-суточной изменчивости концентраций PM₁₀.

Заблаговременность прогноза отражает рост отклонений прогноза со вре-

менем.

Таблица 1. Предикторы обучающей выборки ИНС

Table 1. Predictors of the ANN training set

Источник

данных

Тип

данных

Предикторы

Прогнозы

Числовой

PM₁₀(мкг/м³)

концентраций

ХТM CHIMERE

Температура 2 м (K)

Прогнозы

Числовой

Высота пограничного слоя (м)

Относительная влажность (0–1)

Осадки (кг/м²)

метеопараметров

COSMO-Ru

Скорость ветра на 10 м (м/c)

Градиент Т до 200, 400, 750 м (K)

Скорость ветра на 200, 400, 750,

1500 м (м/c)

Направление ветра на 750,1500 м

(градусы)

Константы

транспортной

нагрузки

Числовой

Категории

Выбросы автотранспорта НИИАТ

(т/год)

Плотность автодорог OSM (км/км²)

Месяц

День недели

Час

Календарные

предикторы

Заблаговременность Числовой

прогноза

Значение в диапазоне 1–24 (ч)

Целевая

Числовой

Измерение PM10 на АСКЗА (мкг/м³)

переменная

На рис. 1 схематично представлена технология формирования обуча-

ющей выборки, конструирования, обучения и тестирования ИНС.

Обучающая выборка состоит из:

– прогнозов на сетке ХТМ CHIMERE и модели атмосферы

COSMO-Ru;

– констант транспортной нагрузки на сетке – выбросы НИИАТ и плот-

ность автодорог OSM;

– измерений на АСКЗА в качестве целевой переменной.

Борисов Д.В., Кузнецова И.Н.

47

Рис. 1. Схема формирования обучающей выборки, конструирования, обу-

чения и тестирования ИНС.

Fig. 1. Training sample formation; ANN design, training and testing scheme

Суточный ряд часовых измерений на каждой АСКЗА синхронизиру-

ется с прогнозами концентрации PM₁₀CHIMERE и метеопараметров

COSMO-Ru в ближайшем к АСКЗА узле сетки. Данные операции выпол-

няются последовательно для ряда суток 7 февраля 2019 г. – 29 февраля

2024 г. и для всех АСКЗА. Каждой АСКЗА присваиваются константы

транспортной нагрузки в ближайшем к АСКЗА узле сетки.

48

Метеорологические прогнозы, математическое моделирование

Полный объем обучающей выборки после удаления пропусков и

вырезки тестовых независимых выборок составил 753349 часовых записи

за период 7 февраля 2019 г. – 29 февраля 2024 г. (5 лет и 1 месяц) для

32 АСКЗА.

Для проведения независимых тестов обученных ИНС предварительно

из обучающей выборки для всех АСКЗА вырезаны периоды, включающие

эпизоды повышенных концентраций PM₁₀. Тестовые прогнозы ИНС про-

водились в узлах сетки, ближайших к АСКЗА.

В ранее опубликованной авторами работе по разработке гибридной

модели прогноза концентраций O₃[1], также включающей ИНС, были про-

ведены 12 экспериментальных обучений ИНС с вариациями архитектуры

ИНС и настроек обучения. Наилучшие результаты прогнозов концентра-

ций O₃показала полносвязная двуслойная ИНС объемом 100–50 нейронов

(11201 весов сети) с инерционным обновлением весов при обучении с ко-

эффициентом 0.9, шаг обучения 0.001, длина обучения в 50 эпох, размер

пакета 128 (5781 шаг оптимизации на эпоху). Этот же вариант ИНС (сокр.

ИНС 100-50) использовался как базовый при обучении ИНС для прогноза

концентраций PM₁₀.

В ходе данного исследования апробированы дополнительные архитек-

туры ИНС: увеличен объем двуслойной полносвязной ИНС до 200–

100 нейронов (32601 вес сети, сокр. ИНС 200–100), апробирована рекур-

рентная ИНС с одним LSTM (англ. Long short-term memory, слой долгой

краткосрочной памяти) слоем в 100 нейронов (сокр. LSTM 100).

Кратко отметим, рекуррентные нейронные сети (англ. Recurrent neural

network, RNN) предсказывают целевую переменную на временном шаге t

по наборам предикторов на шаге t и на предшествующих шагах t – n, при-

меняются для прогнозирования временных рядов. При исследованиях нами

было проведено обучение RNN на предшествующих прогнозам временных

рядах длиной 48 часов. Выяснилось, что рекуррентная нейронная сеть с

LSTM-слоем достаточно точно восстанавливает суточный ход концентра-

ций PM₁₀, но сильно занижает прогностические концентрации по сравне-

нию с измерениями.

Алгоритмы формирования обучающей выборки, конструирования,

обучения и тестирования ИНС разработаны на языке программирования

Python с использованием библиотек для работы с данными Numpy и Pandas

и библиотек машинного обучения Tensorflow и Keras. Разработанная тех-

нология обучения и тестирования ИНС универсальна и масштабируема для

прогнозов концентраций других загрязнителей на других территориях.

Обсуждение результатов

Для тестирования ИНС на независимых выборках отобрано семь эпи-

зодов продолжительностью 7–12 суток с превышениями среднесуточной

концентрации PM₁₀60 мкг/м³(ПДК_с.с.PM₁₀) более чем на 40 % АСКЗА в

московском регионе. Такие случаи будем называть «аэрозольные

Борисов Д.В., Кузнецова И.Н.

49

эпизоды», они наблюдались в марте 2021 и 2022 гг., апреле 2019, 2021 и

2023 гг., августе 2022 г. и октябре 2020 г. Из обучающей выборки в преде-

лах заданных эпизодов вырезались записи предикторов для всех АСКЗА

(см. рис 1) с заполненностью ряда в эпизоде > 70 %. Итоговый объем неза-

висимой тестовой выборки составил 136 массивов, всего 27192 записи пре-

дикторов.

Общее представление об эффективности применения ИНС дают пока-

занные в табл. 2 метрики качества прогноза экспериментальных архитек-

тур ИНС и первичных прогнозов ХТМ CHIMERE, полученные на полной

независимой тестовой выборке – в среднем по семи эпизодам повышенных

концентраций PM₁₀.

Таблица 2. Статистические показатели качества прогноза концентраций

РМ₁₀(мкг/м³) ХТМ CHIMERE и экспериментальных архитектур ИНС на пол-

ной тестовой независимой выборке

Table 2. Statistical indicators of CTM CHIMERE and experimental ANN architec-

tures PM₁₀concentrations (μg/m3) forecasts quality on a full test independent

sample

ХТМ

CHIMERE

ИНС

100–50

ИНС

200–100

Характеристики

LSTM 100

Средняя измеренная

концентрация РМ₁₀

57

43

57

39

57

41

56

26

Средняя рассчитанная

концентрация РМ₁₀

Среднее отклонение

(прогноз – измерение)

-14

-18

-16

-30

Среднее абсолютное

отклонение

(прогноз –измерение)

38

59

26

48

27

48

32

58

Среднее

квадратическое

отклонение

(прогноз – измерение)

Коэффициент

корреляции

0,25

0,59

0,55

0,47

Количество пар

27192

23568

По статистическим метрикам качества прогноза видно, что все модели

занижают прогноз PM₁₀, наибольшее занижение показывает LSTM-сеть, в

то же время лучше описывая суточную изменчивость концентраций, чем

ХТМ CHIMERE, на что указывают коэффициенты корреляции в табл. 2.

Полносвязные ИНС показали заметное снижение среднего абсолютного и

среднеквадратического отклонений прогноза, увеличение коэффициента

корреляции прогноза с измерениями по сравнению с ХТМ CHIMERE

50

Метеорологические прогнозы, математическое моделирование

и LSTM-сетью. Увеличение объема полносвязной ИНС не показало суще-

ственного улучшения прогноза, предположительно, из-за переобучения

увеличенной ИНС.

Далее приводится подробный анализ прогнозов полносвязной

ИНС 100-50, показавшей наилучший прогноз в среднем по семи эпизодам

повышенных концентраций PM₁₀и в отдельных эпизодах.

Отметим, что повышение уровня PM₁₀в приземном воздухе города

связано с тремя факторами: загрязнение воздуха городскими источниками,

дальний перенос почвенных частиц и поступление продуктов горения при-

родных пожаров. Два последних фактора имеют малую повторяемость,

преобладающим фактором повышения уровня PM₁₀в Москве является по-

ступление в городскую атмосферу мелкодисперсных частиц от локальных

источников. Учитывая, что ХТМ не усваивает оперативную информацию

о крупномасштабном переносе аэрозоля, а воспроизводит процессы загряз-

нения от местных источников, можно предположить, что аэрозольные эпи-

зоды локального происхождения должны успешно описываться гибридной

моделью – при интеграции ХТМ и ИНС. Очевидно, ИНС из-за малой ча-

стоты эпизодов дальнего переноса не может быть полноценно настроена на

их воспроизведение. Именно поэтому при оценке эффективности ИНС

необходимо установить причину формирования аэрозольных эпизодов.

По признаку главного фактора возникновения аэрозольные эпизоды

сгруппированы в три типа, каждому из которых свойственны характерные

особенности атмосферных процессов:

Тип 1. Повышение уровня PM₁₀при неблагоприятных для рассеивания

примесей в неблагоприятных метеорологических условиях (НМУ).

Тип 2. Повышение уровня PM₁₀, обусловленное дальним переносом

почвенных частиц.

Тип 3. Повышение уровня PM₁₀при адвекции (поступлении) пироген-

ного аэрозоля.

Ниже описываются особенности атмосферных процессов в эпизодах

каждого из трех типов аэрозольного загрязнения воздуха в Москве и их мо-

дельное воспроизведение. Отдельно подчеркнем, что тестирование прово-

дилось с использованием прогностических расчетов концентрации РМ₁₀

ХТМ CHIMERE, погрешности которых в определенной мере связаны с

ошибками численных прогнозов метеорологических параметров.

Тип 1. Аэрозольные эпизоды, наблюдавшиеся при НМУ. К числу

такого типа относятся аэрозольные эпизоды в апреле 2019 и 2023 гг. Отме-

тим, НМУ – это комплексное сочетание слабого ветра и устойчивой стра-

тификации в отсутствии осадков, в рассматриваемых эпизодах, наблюдав-

шихся в темное время суток или ранним утром. В основном такие условия

формируются при антициклональном типе погоды в малоградиентных

барических полях. Следует подчеркнуть, что все аэрозольные эпизоды при

НМУ формировались при аномально теплой и сухой погоде, что обеспечи-

вало в дневные часы ветровой подъем частиц с подстилающей поверхно-

сти, в апреле еще не заросшей растительностью.

Борисов Д.В., Кузнецова И.Н.

51

На рис. 2а показаны повышения средней городской концентрации

РМ₁₀до 85–100 мкг/м³при НМУ, в ночь на 25 апреля – почти до 130 мкг/м³,

когда наблюдалась самая глубокая в эпизоде инверсия температуры

(до 8 °С). Подчеркнем, что при НМУ наблюдается большой разброс пико-

вых величин PM₁₀на АСКЗА, и это указывает на то, что городской уровень

PM₁₀формируется местными источниками. К примеру, ночью 25 апреля

концентрация РМ₁₀повышалась на АСКЗА МГУ, Марьино, Шаболовка и

Черемушки до 120–130 мкг/м³, на АСКЗА Туристская и Народного опол-

чения – до 150 мкг/м³, на АСКЗА Сухаревская пл. – до 170 мкг/м³, в Ново-

косино – до 240 мкг/м³.

а)

б)

Рис. 2. Временной ход концентраций РМ₁₀(мкг/м³), осредненных по изме-

рениям на АСКЗА городского типа (зеленая линия), рассчитанных ХТМ

CHIMERE (красная линия) и ИНС (синяя линия): 24–28 апреля 2019 г. (а);

9–14 апреля 2023 г. (б).

Fig. 2. PM₁₀concentrations (μg/m³) averaged over urban-type stations meas-

urements (green line), calculated by the CTM CHIMERE (red line) and ANN

(blue line): April 24–28, 2019 (а), April 9–14, 2023 (б).

52

Метеорологические прогнозы, математическое моделирование

Расчеты ХТМ на 25–27 апреля в общем отражают свойственное НМУ

повышение уровня РМ₁₀, хотя и со сдвигами максимумов на первую поло-

вину суток. (Эту характерную особенность модельных расчетов в более

поздних исследованиях мы учитывали с помощью коррекции модельного

суточного хода.) При этом расчеты ИНС, как видно на рис. 2а, вполне

успешно и с небольшими отклонениями воспроизводили временной ход

РМ₁₀как при НМУ, так и при интенсивном перемешивании в послеполу-

денные часы и перед прохождением холодного атмосферного фронта но-

чью 28 апреля.

В апрельском аэрозольном эпизоде в 2023 г. (рис. 2б), также при НМУ,

в ночное время фиксировался рост концентрации PM₁₀в среднем по городу

до 100–110 мкг/м³. ХТМ прогнозировала уровень PM₁₀примерно в 2 раза

меньше, ИНС воспроизвела временной ход в эпизоде точнее, существенно

корректировала модельные расчеты PM₁₀в утренние часы, приближая их к

наблюдавшимся. Успешно воспроизведен ИНС и характерный процесс

предфронтальных флуктуаций РМ₁₀, а также приближение к измеренным

концентрациям при похолодании почти на 10 °С за сутки 13–14 апреля.

Вместе с тем следует отметить значительное занижение ИНС концентра-

ции РМ₁₀на ночь 11 апреля, что, по-видимому, связано с ошибками метео-

рологического прогноза, не предсказавшего НМУ на эту ночь.

Обратим внимание на нехарактерные дневные повышенные концен-

трации РМ₁₀50±10 мкг/м³. С учетом результатов траекторного анализа сде-

лано предположение, что с вечера 11 апреля через Москву проходила за-

пыленная воздушная масса, медленно перемещавшаяся над центральными

областями ЕТР, при отсутствии там растительного покрова. То есть аэро-

зольное загрязнение формировалось за счет и городских, и региональных

источников. Видимо по этой причине ИНС занизила наблюдавшуюся кон-

центрацию почти на 60 мкг/м³, хотя по расчетам ХТМ (с характерным для

нее систематическим завышением РМ₁₀) утренний пик РМ₁₀до 150 мкг/м³

12 апреля, очевидно, случайно почти совпал с измеренными концентраци-

ями РМ₁₀.

Отметим главное в рассмотренных апрельских аэрозольных эпизодах

при НМУ: измеренные концентрации РМ₁₀превышают средние сезонные

величины в 2–3 раза, ХТМ в целом не отражает суточную динамику РМ₁₀,

но удовлетворительно воспроизводит суточные максимумы, интегриро-

ванная модель ИНС достаточно успешно корректирует модельные

расчеты, воспроизводит в отличие от ХТМ вечерние пики, однако количе-

ственно их занижает.

Тип 2. Аэрозольное загрязнение в эпизодах дальнего переноса поч-

венных частиц. В тестовых выборках три эпизода повышения уровня РМ₁₀

связаны с поступлением воздушной массы из прикаспийского региона,

что подтверждается траекторным анализом каждого случая. Поступление

пылевого прикаспийского аэрозоля в Москву в основном фиксировалось

в периоды аномально теплой погоды в центре и на юге ЕТР. Причина

Борисов Д.В., Кузнецова И.Н.

53

аэрозольного загрязнения воздушной массы – пыльные бури и ветровой

подъем почвенных частиц в пустынных районах при прохождении там

активных атмосферных фронтов. Вынос пылевых частиц осуществлялся по

западной периферии антициклона с большими скоростями в АПС и часто

при формировании мезоструйного течения нижнего уровня, что обеспечи-

вало вынос

в

умеренные широты ЕТР твердого аэрозоля

–

за сутки частицы могли переноситься на расстояния почти в 1000 км. На

рис. 3 показаны типовые траектории частиц, переносимых в московский

регион из Калмыкии, низовий Волги и западного Казахстана.

б)

а)

в)

Рис. 3 Перенос воздушных частиц, характерный для эпизодов аэрозоль-

ного загрязнения в Москве под влиянием дальнего переноса: 11 октября

2020 г. (а); 12 октября 2020 г. (б); 18 марта 2021 г. (в).

Fig. 3. Transfer of air particles in high aerosol pollution episodes in Moscow

formed under the influence of long-range transport: October 11, 2020 (а); Octo-

ber 12, 2020 (б); March 18, 2021 (в).

54

Метеорологические прогнозы, математическое моделирование

Учитывая, что ХТМ CHIMERE в явном виде не усваивает данные о

переносе частиц из удаленных районов в московский регион, в аэрозоль-

ном эпизоде в апреле 2021 г. ХТМ не предусматривала резкое повышение

уровня РМ₁₀до 200–240 мкг/м³вечером 13 апреля, вызванное поступле-

нием запыленной воздушной массы из Прикаспия, продолжавшегося почти

2 суток. ИНС воспроизвела этот скачок в виде слабого пика, «увеличив»

модельный расчет РМ₁₀почти в 6 раз (рис. 4а). Вместе с тем следует отме-

тить более успешное предсказание ночного роста концентраций РМ₁₀

в

предшествующую ночь (12 апреля) при НМУ: гибридные расчеты преду-

сматривали увеличение концентраций РМ₁₀, но характерный при НМУ

уровень РМ₁₀(100–120 мкг/м³) они занижали примерно на 20 мкг/м³.

Второй тестовый эпизод наблюдался в марте 2021 г. при наличии

снежного покрова в Москве, что практически исключает существенное за-

грязнение локальными источниками. Длившийся почти сутки аэрозольный

эпизод с повышением РМ₁₀до 170–180 мкг/м³(рис. 4б) был связан, как

подтвердил траекторный анализ, с поступлением запыленного воздуха из

Прикаспия и Приаралья. В редких случаях удается получить убедительное

подтверждение наличия почвенного аэрозоля в воздушной массе. Одним

из косвенных признаков значительного содержания аэрозольных частиц в

воздушной массе может служить аномальный рост температуры в нижних

слоях атмосферы в дневные часы (ночью обнаружить сложно) в результате

прямого нагрева пылевых частиц. От инверсии оседания такого рода ано-

мальное повышение температуры можно отличить по высоте наблюдаемой

аномалии: инверсия оседания в антициклоне, как правило, образуется в

слое 1,5–2 км.

Нам удалось обнаружить эффект аэрозольного нагрева в запыленной

воздушной массе по данным радиозондирования в пунктах на пути пере-

носа воздушного потока из Прикаспия – в п. Рязань и п. Саратов. Рис. 5

отражает ярко выраженный аномальный рост температуры в 12 ч ВСВ

16 марта в слое 500–700 м над землей в Саратове и в слое 900–1300 м в

Рязани, куда был направлен ведущий поток, и, очевидно, аэрозоля было

больше. Видно, что максимальная величина аномального нагрева над

Рязанью составила 1,5 °С на 100 м, над Саратовом – 0,6 °С на 100 м.

Мезоструя над Рязанью с максимумом скорости 18 м/с на высоте 900 м

служила своего рода «транспортером» для переноса пылевых частиц на

большие расстояния, а ее ось совпала с началом аномального повышения

температуры.

Отметим особенности модельных расчетов в данном эпизоде. Неха-

рактерные для марта модельные расчеты ХТМ повышенных концентраций

РМ₁₀, очевидно, являются следствием сезонного распределения эмиссий

РМ в кадастре ЕМЕР с годовым максимумом эмиссий в марте. Следует от-

метить, что заложенный в эмиссии «европейский стандарт» сезонного хода

проявился в расчетах ХТМ ростом РМ₁₀и 16, и 18 марта. Лишь «случайно»

18 марта модельный максимум ХТМ почти совпал по величине с уровнем

Борисов Д.В., Кузнецова И.Н.

55

РМ₁₀, повысившимся в Москве за счет дальнего переноса аэрозольных ча-

стиц. Также отметим, что из-за отсутствия в обучающей выборке мартов-

ских аэрозольных эпизодов ИНС «проигнорировала» повышение концен-

траций РМ₁₀, удерживая их в пределах наблюдаемых в Москве средних

сезонных величин.

а)

б)

Рис. 4. Временной ход концентраций РМ₁₀(мкг/м³), осредненных по изме-

рениям на АСКЗА городского типа (зеленая линия), рассчитанных ХТМ

CHIMERE (красная линия) и ИНС (синяя линия): 10–16 апреля 2021 г. (а);

15-20 марта 2021 г. (б).

Fig. 4. PM₁₀concentrations (μg/m³) averaged over urban-type stations meas-

urements (green line), calculated by the CTM CHIMERE (red line) and ANN

(blue line): April 10-16, 2021 (а); March 15-20, 2021 (б).

56

Метеорологические прогнозы, математическое моделирование

Рис. 5. Температура (°С, тонкая линия) и скорость ветра (м/с, штрихо-

вая линия) по данным радиозондирования в 12 ВСВ 16 марта 2021 г. в

п. Рязань (красные линии) и п. Саратов (синие линии)

Fig. 5. Temperature (°C, thin line) and wind speed (m/s, dashed line) ac-

cording to radiosonde data at 12 UTC on March 16, 2021 in Ryazan (red

lines) and Saratov (blue lines)

Третий аэрозольный эпизод был зафиксирован в октябре 2020 г.,

начало которого было связано с дальним переносом аэрозоля, а перед окон-

чанием эпизода сформировались непродолжительные НМУ. Приход в

Москву насыщенной почвенным аэрозолем сухой воздушной массы, про-

шедшей, как показал траекторный анализ, над Прикаспием, сопровождался

11 и 12 октября резким повышением концентрации РМ₁₀до 200–

210 мкг/м³(рис. 6). Дальний перенос твердых частиц обеспечивали боль-

шие скорости ветра на западной периферии антициклона.

Очевидно, что при адвекции почвенного аэрозоля ХТМ и ИНС воспро-

изводить события роста РМ₁₀априори не могут. Вместе с тем следует при-

знать достаточно успешным модельное отображение аэрозольного загряз-

нения 13–14 октября с повышением концентрации РМ₁₀до 100–120 мкг/м³,

в явном виде не связанного с дальним переносом. Дневные околополуден-

ные максимумы РМ₁₀в эти дни, по-видимому, формировались за счет кон-

вективного перемешивания в загрязненном АПС, в те октябрьские дни тем-

пература повышалась до +18–20 °С.

Очевидно, редкие события дальнего переноса и регионального загряз-

нения не позволяют обучить ИНС, поэтому расчеты ХТМ CHIMERE

13–14 октября, казавшиеся на первый взгляд вполне «удачными», ИНС в

основном понижала в первую половину дня, но почти в 2 раза увеличивала

поздним вечером.

Борисов Д.В., Кузнецова И.Н.

57

Рис. 6. Временной ход концентраций РМ₁₀(мкг/м³), осредненных по изме-

рениям на АСКЗА городского типа (зеленая линия), рассчитанных ХТМ

CHIMERE (красная линия) и ИНС (синяя линия) 9–15 октября 2020 г.

Fig. 6. PM₁₀concentrations (μg/m³) averaged over urban-type stations meas-

urements (green line), calculated by the CTM CHIMERE (red line) and ANN

(blue line). October 9–15, 2020.

Еще один эпизод тестовой выборки (март 2022 г.) представляет собой

уникальный редко идентифицируемый случай совместного аэрозольного

загрязнения за счет местных источников и дальнего переноса из Восточной

Европы. Аномально теплая погода в Москве 19–24 марта с повышением

температуры до +10–15 °С при северо-западных ветрах привела к быст-

рому сходу снежного покрова: 25 марта снега практически не было. Оче-

видно, еще влажная подстилающая поверхность не могла быть источником

значительного аэрозольного загрязнения: концентрации РМ₁₀повышались

до 60–80 мкг/м³, и ИНС вполне успешно воспроизвела загрязнение мест-

ными источниками 22 и 23 марта (рис. 7а).

Пиковые концентрации РМ₁₀в эпизоде были зафиксированы в темное

время 24 и 25 марта в штилевых условиях при инверсиях до 7–8 °С.

Средняя по городу концентрация РМ₁₀увеличивалась до 120–150 мкг/м³,

на подветренных (относительно общего слабого переноса) АСКЗА

Вешняки, Марьино фиксировались короткопериодный скачки РМ₁₀до

280–300 мкг/м³, что показательно для загрязнения за счет дальнего пере-

носа. При характерном для ХТМ завышении РМ₁₀модель вполне успешно

рассчитала максимальные уровни 24 и 25 марта. Но это следует признать

случайным совпадением, поскольку в эти два дня в Москву приходила воз-

душная масса из Восточной Европы (рис. 7б, в). Не исключено, что в

Польше в середине марта, благодаря теплой без дождей погоде, начался

58

Метеорологические прогнозы, математическое моделирование

пахотный сезон, и в циркулирующую в антициклоне воздушную массу мог

попадать почвенный аэрозоль и переноситься на большие расстояния.

Флуктуации РМ₁₀24–25 марта ИНС воспроизводила как характерные

для НМУ с максимальным ростом концентраций до 80–100 мкг/м³.

а)

б)

в)

Рис. 7. Временной ход концентраций РМ₁₀(мкг/м³), осредненных по измере-

ниям на АСКЗА городского типа (зеленая линия), рассчитанных ХТМ

CHIMERE (красная линия) и ИНС (синяя линия): 22–27 марта 2022 г. (а); тра-

ектории воздушных частиц, переносимые из Польши в центральные области

России (б, в).

Fig. 7. PM₁₀concentrations (μg/m³) averaged over urban-type stations measure-

ments (green line), calculated by the CTM CHIMERE (red line) and ANN (blue

line), March 22-27, 2022 (а); trajectories of air particles carried from Poland to the

central regions of Russia (б, в).

Борисов Д.В., Кузнецова И.Н.

59

Тип. 3. Аэрозольное загрязнение при адвекции пирогенного аэро-

золя в августе 2022 г. Весь август 2022 г. в центре ЕТР стояла аномально

теплая и сухая погода. Возникшие в начале августа в Рязанской области

лесные пожары перекинулись на Окский заповедник и Национальный парк

«Мещёра», позже пожары появлялись в соседней Владимирской области.

В Москве с 18 августа фиксировались запахи гари. В 20-х числах наблюда-

лась третья волна 30-градусной жары в сопровождении повышения в воз-

духе мелкодисперсных частиц.

Наиболее сильное аэрозольное загрязнение в Москве наблюдалось 25–

29 августа (рис. 8а) в ночные и утренние часы при слабом переносе из юго-

восточного сектора в условиях мощных приземных инверсий величиной

6–9 °С в нижнем 300-метровом слое. Лишь после полудня концентрация

РМ₁₀снижалась до обычных 30–40 мкг/м³благодаря притоку незагрязнен-

ного воздуха из верхних слоев АПС при увеличении слоя перемешивания

примерно до 2 км.

Расчеты ХТМ концентрации РМ₁₀на 25–26 августа показывали силь-

ное завышение максимумов при сдвиге пиковых уровней на предполуден-

ное время, воспроизводя ситуацию как при ночных НМУ. ИНС вполне

успешно корректировала модельные расчеты, приближая концентрации

к измеренным. Но 26 и 27 августа из-за приближения к Москве шлейфа пи-

рогенного аэрозоля (рис. 8б, в) концентрации РМ₁₀стали увеличиваться.

Об адвекции пирогенного аэрозоля можно судить по измерениям в парко-

вой зоне на АСКЗА МГУ: ночью на этой станции концентрация РМ₁₀по-

вышалась до 80–90 мкг/м³. 28–29 августа при усилении скорости юго-во-

сточного переноса Москва оказалась в плотном шлейфе лесных пожаров

(рис. 8г, д); средняя по данным городских АСКЗА концентрация РМ₁₀

повысилась до 100–110 мкг/м³. Такую ситуацию гибридная модель не

предусматривала в отличие от предшествовавшего эпизода НМУ 25–27 ав-

густа и от последовавшего понижения аэрозольного загрязнения 30 августа

после ухода из региона загрязненной пирогенным аэрозолем воздушной

массы.

Заключение

В ходе проведенного исследования разработана и протестирована ги-

бридная модель прогноза концентраций PM₁₀на территории московского

региона. Гибридная модель включает искусственную нейронную сеть, обу-

ченную восстанавливать измеренные концентрации PM₁₀по прогнозам

концентраций ХТМ и метеопараметров модели атмосферы. Апробированы

вариации архитектуры ИНС и обучающей выборки. Тестирование ИНС

проводилось на независимых выборках, включающих семь эпизодов повы-

шенных концентраций PM₁₀в московском регионе различного происхож-

дения.

60

Метеорологические прогнозы, математическое моделирование

а)

26.08.2022

27.08.2022

б)

в)

28.08.2022

29.08.2022

г)

д)

Рис. 8. Временной ход концентраций РМ₁₀, осредненных по измерениям

на АСКЗА городского типа (зеленая линия), рассчитанных ХТМ CHIMERE

(красная линия) и ИНС (синяя линия) 25–31 августа 2022 г. (а); модельный

расчет переноса РМ₁₀из районов лесных пожаров в Рязанской области от

6 ч 26–29 августа 2022 г. (б–д) (https://www.ventusky.com/). Справа – шкала

концентрации РМ₁₀, мкг/м^3.

Fig. 8. PM₁₀concentrations (μg/m³) averaged over urban-type stations meas-

urements (green line), calculated by the CTM CHIMERE (red line) and ANN

(blue line), 25-31 August 2022 (а); model calculation of PM₁₀transfer from for-

est fire areas in the Ryazan region, August 26-29, 2022 6 a.m. (б–д)

(https://www.ventusky.com/). PM₁₀concentration scale (μg/m³) on the right.

Борисов Д.В., Кузнецова И.Н.

61

Практически во всех эпизодах гибридная модель успешно моделирует

изменчивость концентраций PM₁₀при ночных НМУ при характерном для

таких условий повышении средней по городу концентрации до 90–

100 мкг/м³, воспроизводит в отличие от ХТМ вечерние пики концентраций,

хотя и занижает концентрации по сравнению с измерениями. ИНС вполне

успешно показывает понижения уровня РМ₁₀днем при перемешивании в

АПС, предфронтальные пики РМ₁₀при усилении ветра, а также уменьше-

ние концентраций аэрозольного загрязнения при смене воздушных масс.

В смешанных эпизодах, когда повышение PM₁₀обусловлено локаль-

ными источниками и дальним переносом загрязненной воздушной массы,

гибридная модель прогноза удовлетворительно предсказывает время фор-

мирования пиковых концентраций, но занижает по сравнению с измерен-

ными концентрации.

В аэрозольных эпизодах без НМУ при дальнем переносе загрязнений,

включая пирогенный аэрозоль, в Москве фиксируются максимальные

уровни РМ₁₀до 150–270 мкг/м³. Гибридная модель прогноза в таких ситу-

ациях прогнозирует характерные сезонные значения PM₁₀без повышения

концентраций как следствие малой повторяемости таких явлений в обуча-

ющей выборке.

Авторы выражают признательность и благодарность сотрудникам и

руководству ГПБУ «Мосэкомониторинг» за поддержку исследования и

предоставление данных измерений.

Список литературы

1. Борисов Д.В., Кузнецова И.Н. Постпроцессинг численных прогнозов кон-

центраций приземного озона с использованием машинного обучения // Гидроме-

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

2. Вильфанд Р.М., Кирсанов А.А., Ревокатова А.П., Ривин Г.С., Суркова Г.В.

Прогноз перемещения и трансформации загрязняющих веществ в атмосфере с по-

мощью модели COSMO-ART // Метеорология и гидрология. 2017. № 5. C. 31-41.

3. 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 про-

гнозы. 2022. № 4 (386). С. 147-170.

4. Ривин Г.С., Розинкина И.А., Астахова Е.Д., Блинов Д.В., Бундель А.Ю.,

Кирсанов А.А., Шатунова М.В., Чубарова Н.Е., Алферов Д.Ю., Варенцов М.И.,

Захарченко Д.И., Копейкин В.В., Никитин М.А., Полюхов А.А., Ревокатова А.П.,

Татаринович Е.В., Чурюлин Е.В. Система краткосрочного численного прогноза

высокой детализации COSMO-Ru, ее развитие и приложения // Гидрометеороло-

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

5. Ткачева Ю.В. Методика интерполяции кусочно-линейных данных об эмис-

сиях автотранспорта на регулярную модельную сетку // Гидрометеорологические

исследования и прогнозы. 2018. № 2 (368). С. 170-180.

6. Adil M., Kafeel A. A review on emerging artificial intelligence (AI) techniques

for air pollution forecasting: Fundamentals, application and performance // Journal of

Cleaner Production. 2021. Vol. 322. P. 129072. DOI: 10.1016/j.jclepro.2021.129072.

62

Метеорологические прогнозы, математическое моделирование

7. Kleinert F., Leufen L., Lupascu A., Butler T., Schultz M. Representing chemical

history in ozone time-series predictions - a model experiment study building on the

MLAir (v1.5) deep learning framework // Geoscientific Model Development. 2022.

Vol. 15. P. 8913-8930. DOI: 10.5194/gmd-15-8913-2022.

8. Min X., Jianbing J., Guoqiang W., Arjo S., Tuo D., Hai X.L. Machine learning

based bias correction for numerical chemical transport models // Atmospheric Environ-

ment. 2021. Vol. 248. P. 118022. DOI: 10.1016/j.atmosenv.2020.118022.

9. Zhang Y., Baklanov A. (Eds.) Training Materials and Best Practices for Chemical

Weather/Air Quality Forecasting. The First Edition ETR-26. Geneva, Switzerland,

World Meteorological Organization (WMO), 2020. 576 p.

10. Zhang Z., Johansson C., Engardt M., Ma X. Improving 3-day deterministic air

pollution forecasts using machine learning algorithms // Atmospheric Chemistry and

Physics. 2024. Vol. 24. P. 807-851. DOI: 10.5194/acp-24-807-2024.

References

1. Borisov D.V., Kuznetsova I.N. Post-processing of ground-level ozone numerical

forecasts using machine learning. Gidrometeorologicheskie issledovaniya i prognozy

[Hydrometeorological Research and Forecasting], 2023, vol. 390, no. 4, pp. 86-104

[in Russ.].

2. Vil’fand, R.M., Kirsanov, A.A., Revokatova, A.P., Rivin G.S., Surkova G.V. Fore-

casting the transport and transformation of atmospheric pollutants with the COSMO-

ART model. Russ. Meteorol. Hydrol., 2017, vol. 42, pp. 292-298.

DOI: 10.3103/S106837391705003X.

3. 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, no. 4, pp. 147-170 [in Russ.].

4. 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.].

5. Tkacheva Ju.V. Methodology of interpolating piecewise linear data on vehicle

emissions on a regular model grid. Gidrometeorologicheskie issledovaniya i prognozy

[Hydrometeorological Research and Forecasting], 2018, vol. 368, no. 2, pp. 170-180

[in Russ.].

6. Adil M., Kafeel A. A review on emerging artificial intelligence (AI) techniques

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

Cleaner Production. 2021, vol. 322, pp. 129072. DOI: 10.1016/j.jclepro.2021.129072.

7. Kleinert F., Leufen L., Lupascu A., Butler T., Schultz M. Representing chemical

history in ozone time-series predictions - a model experiment study building on the

MLAir (v1.5) deep learning framework. Geoscientific Model Development, 2022,

vol. 15, pp. 8913-8930. DOI: 10.5194/gmd-15-8913-2022.

Борисов Д.В., Кузнецова И.Н.

63

8. Min X., Jianbing J., Guoqiang W., Arjo S., Tuo D., Hai X.L. Machine learning

based bias correction for numerical chemical transport models. Atmospheric Environ-

ment, 2021, vol. 248, pp. 118022. DOI: 10.1016/j.atmosenv.2020.118022.

9. Zhang Y., Baklanov A. (Eds.) Training Materials and Best Practices for Chemical

Weather/Air Quality Forecasting. The First Edition ETR-26. Geneva, Switzerland,

World Meteorological Organization (WMO), 2020, 576 p.

10. Zhang Z., Johansson C., Engardt M., Ma X. Improving 3-day deterministic air

pollution forecasts using machine learning algorithms. Atmospheric Chemistry and

Physics, 2024, vol. 24, pp. 807-851. DOI: 10.5194/acp-24-807-2024.

Поступила 26.08.2024; одобрена после рецензирования 24.09.2024;

принята в печать 15.10.2024.

Submitted 26.08.2024; approved after reviewing 24.09.2024;

accepted for publication 15.10.2024.