Інтелектуальна система моніторингу параметрів атмосферного повітря

Abstract

Актуальність. Забруднення атмосферного повітря є однією з найбільш актуальних екологічних проблем сучасності, яка суттєво впливає на здоров’я населення та стан навколишнього середовища. Інтенсивна індустріалізація, розвиток транспорту, збільшення обсягів викидів шкідливих речовин в атмосферу, а також глобальні кліматичні зміни призводять до погіршення якості повітря, особливо у великих містах та промислових регіонах. Забрудненість повітря стає причиною різноманітних захворювань, зокрема дихальних та серцево-судинних, а також знижує тривалість життя населення. Вплив забрудненого зовнішнього повітря дрібними частинками є другим за величиною фактором ризику передчасної смерті в усьому світі після високого кров’яного тиску та найбільшим фактором екологічного ризику для передчасної смерті. Наприклад, сьогодні люди, які живуть у країнах з низьким і середнім рівнем доходу, піддаються впливу забруднення повітря в один-чотири рази частіше, ніж люди, які живуть у країнах з високим рівнем доходу. Діти особливо вразливі до шкідливого впливу забруднення повітря на здоров’я через їхню унікальну чутливість і вплив. 26 відсотків смертей новонароджених у всьому світі пояснюються впливом забрудненого повітря [1]. Найбільш смертоносними захворюваннями, пов’язаними із забрудненням повітря PM2.5, є інсульт, хвороби серця, легенів, захворювання нижніх дихальних шляхів (такі як пневмонія) і рак. Високий рівень дрібних часток також сприяє розвитку інших захворювань, наприклад діабету, може перешкоджати когнітивному розвитку дітей, а також викликати проблеми з психічним здоров’ям. В умовах зростаючого масштабу цієї проблеми виникає необхідність у впровадженні ефективних інструментів для моніторингу, аналізу та прогнозування якості повітря. Це дозволяє оперативно виявляти критичні зміни та приймати відповідні рішення. Сучасні інформаційні технології надають можливості для створення систем, що здатні обробляти великі обсяги даних у реальному часі, виконувати багатовимірний аналіз і забезпечувати точність прогнозування на основі виявлених закономірностей. Зокрема, технології OLAP (Online Analytical Processing) дозволяють виконувати багатовимірний аналіз даних, забезпечуючи гнучке управління інформацією у розрізі часу, географії та інших параметрів. Методи машинного навчання, такі як кластеризація та прогнозування, відкривають можливості для виявлення складних патернів у даних і підвищення точності моделей прогнозування. Об’єкт і предмет дослідження. Об’єкт дослідження атмосферне повітря та його показники в Україні. Предметом дослідження інтелектуальна система моніторингу параметрів атмосферного повітря Мета дослідження. Метою дослідження є надання точних результатів моніторингу параметрів якості атмосферного повітря на основі технологій OLAP, Data Mining та Machine Learning. Завдання дослідження. Для досягнення мети дослідження необхідно вирішити наступні завдання: 1. Провести системний аналіз проблеми моніторингу якості атмосферного повітря. 2. Вивчити існуючі технології OLAP та їхнє застосування длябагатовимірного аналізу даних. 3. Дослідити методи Data Mining, зокрема асоціативні правила та кластеризацію, для виявлення закономірностей у даних. 4. Розробити та протестувати моделі Machine Learning для прогнозування екологічних показників, враховуючи вплив кластеризації. 5. Побудувати звіти та візуалізації даних для аналізу трендів, просторово-часових розрізів та категорій забруднення. Методи дослідження. У роботі використовуються наступні методи:  Технологія OLAP для багатовимірного аналізу даних.  Методи Data Mining, такі як кластеризація та асоціативні правила.  Алгоритми машинного навчання (рандомний ліс, градієнтний бустинг).  Інструменти візуалізації даних, такі як Power BI та SSRS.  Розрахунок KPI на основі багатовимірного кубу OLAP. Наукова цінність роботи полягає в комплексному підході до аналізу та прогнозування якості повітря, який поєднує OLAP-технології для багатовимірного аналізу даних з передовими методами машинного навчання. Зокрема, дослідження впливу кластеризації на точність моделей Random Forest та Gradient Boosting у контексті прогнозування якості повітря є актуальним і недостатньо вивченим у сучасній науковій літературі.