moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2023.41.2.008 1345 Средства мониторинга, моделирования и прогнозирования концентрации загрязнений городской воздушной среды микрочастицами Means for monitoring, modeling and predicting the concentration of urban air pollution by microparticles Вялова Екатерина Павловна Vyalova Ekaterina Pavlovna katrin_urminskay@mail.ru aff-1 Квашнина Галина Анатольевна Kvashnina Galina Anatolyevna ga-kvashnina@mail.ru aff-2 Федянин Виталий Иванович Fedyanin Vitaly Ivanovich fedyanin.50@mail.ru aff-3 Воронежский государственный технический университет Voronezh State Technical University Воронежский государственный технический университет Voronezh State Technical University Воронежский государственный технический университет Voronezh State Technical University 01 01 2026 1 1 10.26102/2310-6018/2023.41.2.008 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Загрязнение воздуха является одной из самых больших угроз для окружающей среды и человека. В силу метеорологических и транспортных факторов, деятельность промышленности и выбросы электростанций являются основными факторами загрязнения воздуха. Поэтому органы управления экологией сосредоточены на последствиях загрязнения воздуха, выработке правил для сведения к минимуму уровня загрязнения воздуха. Основная цель этого исследования заключается в разработке системы, использующей подход машинного обучения для прогнозирования уровня загрязнения городской воздушной среды путем анализа набора данных о загрязнителях воздуха, в частности, твердыми частицами PM2.5. Для прогнозирования использован линейный алгоритм контролируемого машинного обучения, который имеет значение среднеквадратичной ошибки RMSE, равное 31.29, и алгоритм Decision Forest Regression со значением RMSE=29.26. Система разработана на веб-платформе, доступна для мобильных телефонов, обеспечивает удобную работу пользователей, представляет им значения концентрации загрязнителей воздуха частицами PM2.5 и значения индекса качества воздуха. Значения концентрации частиц PM2.5 зависимы от других источников и фоновых уровней, что свидетельствует о важности локализованных факторов для понимания пространственно-временных моделей загрязнения воздуха на перекрестках и оказания поддержки лицам, принимающим решения в области регулирования и контроля загрязнения в городе.

Air pollution is one of the biggest threats to the environment and humans. Due to meteorological and transport factors, industrial activity and emissions of power plants are the main agents of air pollution. Therefore, environmental authorities are focused on the effects of air pollution and the development of guidelines to minimize it. The main objective of this study is to design a system that uses a machine learning approach for predicting urban air pollution by analyzing a set of data on air pollutants, PM2.5 particulate matter in particular. A linear controlled machine learning algorithm, which has a RMSE error value of 31.29 and a Decision Forest Regression algorithm with an RMSE value of 29.26, is used for predictions. The system is developed on a web-based platform and is accessible for mobile phones; it is user-friendly and represents the values of air pollutant concentration with PM2.5 particles and the values of the air quality index. Values of PM2.5 particle concentration are dependent on other sources and background levels, which indicates the importance of localized factors for understanding spatio-temporal model of air pollution at intersections and supporting individuals making decisions in the field of regulating and controlling pollution in cities.

 качество воздуха микрочастицы PM2.5 машинное обучение модели регрессии датчик SDS011 прогнозирование air quality PM2.5 microparticles machine learning regression models SDS011 sensor forecasting Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Воздействие дисперсного вещества на здоровье человека. Записка Всемирной организации здравоохранения/Совместной целевой группы по аспектам воздействия загрязнения воздуха на здоровье человека. Женева. Доступно по: https://unece.org/fileadmin/DAM/env/documents/2012/EB/ECE_EB_AIR_2012_18_R.pdf (дата обращения: 03.04.2023). Голохваст К.С., Чернышев В.В., Угай С.М. Выбросы автотранспорта и экология человека (обзор литературы). Экология человека. 2016;1:9–14. Пшенин В.Н. Загрязнение воздуха мелкодисперсными частицами около автомобильных дорог. Модернизация и научные исследования в дорожной отрасли: сборник научных трудов. 2013;96–104. Постановление Главного государственного санитарного врача РФ от 28.01.2021 № 2 «Об утверждении санитарных правил и норм СанПиН 1.2.3685-21 «Гигиенические нормативы и требования к обеспечению безопасности и (или) безвредности для человека факторов среды обитания». Доступно по: http://pravo.gov.ru (дата обращения: 03.04.2023). РД 52.04.840-2015. Применение результатов мониторинга качества атмосферного воздуха, полученных с помощью методов непрерывных измерений. Доступно по: http://docs.cntd.ru/document/1200133380 (дата обращения: 03.04.2023). Об утверждении методических рекомендаций по обеспечению качества измерений концентраций взвешенных частиц (РМ2.5 и РM10) в атмосферном воздухе Санкт-Петербурга: распоряжение Комитета по природопользованию, охране окружающей среды и обеспечению экологической безопасности Санкт-Петербурга от 20.05.2010 № 75-Р. Доступно по: http://docs.cntd.ru/document/891832021 (дата обращения: 03.04.2023). Mishra A. Air Pollution Monitoring System based on IoT: Forecasting and Predictive Modeling using Machine Learning // International Conference on Applied Electromagnetics, Signal Processing and Communication (AESPC), KIIT. 2018;10. Доступно по: https://www.researchgate.net/publication/342338791_Air_Pollution_Monitoring_System_based_on_IoT_Forecasting_and_Predictive_Modeling_using_Machine_Learning (дата обращения: 03.04.2023). Zhang J., Ding W. Prediction of air pollutants concentration based on an extreme learning machine: the case of Hong Kong. Int. J. Environ. Res. Public. Health. 2017;14(2):114. Доступно: https://www.mdpi.com/1660-4601/14/2/114 (дата обращения: 03.04.2023). Castelli M., Clemente F.M., Popoviс A., Silva S., Vanneschi L. A Machine Learning Approach to Predict Air Quality in California. New Models, New Technologies, New Data and Applications of Urban Complexity from Spatio-temporal Perspectives. Доступно по: https://www.hindawi.com/journals/complexity/2020/8049504/ (обращения: 03.04.2023). Jebamalar J.A., Kumar A.S. PM2.5 Prediction using Machine Learning Hybrid Model for Smart Health. International Journal of Engineering and Advanced Technology (IJEAT). 2019;9(1):6500–6503.

The authors declare that there are no conflicts of interest present.