Научные сотрудники Политехнического института и Института естественных и точных наук ЮУрГУ разрабатывают систему по оценке и прогнозу рассеивания выбросов вредных веществ от автотранспорта в воздухе города.
Система динамического контроля выбросов «AIMS-Eco» работает в режиме реального времени и учитывает влияние городской застройки и метеорологические факторы при расчете уровня загрязнения. В настоящее время система AIMS-Eco развернута более чем на 20 перекрестках в Перми, Санкт-Петербурге и Челябинске.
Разработанная модель отслеживает динамику изменения качества атмосферного воздуха в воздушном бассейне улично-дорожной сети городов на основе применения камер уличного видеонаблюдения, которые используются в качестве цифровых сенсоров. Сбор данных построен по принципу IoT-технологий (интернет вещей), применяя которые, ученые используют существующую телекоммуникационную инфраструктуру и станции метеорологического и экологического мониторинга.
«За последние несколько лет методы, основанные на искусственном интеллекте. стали наиболее перспективными подходами к прогнозированию загрязнения воздуха. Однако современные исследования, основанные на применении машинного обучения для прогнозирования качества воздуха, просто обучают нейросеть почасовому контролю концентрации загрязнения воздуха. Наша разработка сконцентрирована на отслеживании состояния выбросов в режиме on-line», – поясняет руководитель проекта, кандидат технических наук, доцент кафедры «Автомобильный транспорт» Владимир Шепелёв.
Система мониторинга построена на основе получения больших данных о состоянии изменения выбросов точечных источников загрязнения и контроля за динамикой метеорологического фактора.
В данном исследовании научные сотрудники сконцентрировались на обучении рекуррентных нейронных сетей LSTM. Нейронная сеть справляется с задачей повышения точности прогноза выбросов от автотранспорта, их количества и концентрации. Быстрое извлечение данных с видеопотоков происходит с помощью сверточной нейронной сети (RNN). Она обеспечивает мониторинг в режиме реального времени и формирует историю данных. Эта функция позволяет разработать сложную архитектуру LSTM с алгоритмами самообучения. Для глубокого обучения нейронных сетей использовался вычислительный комплекс «Нейрокомпьютер ЮУрГУ».
Предлагаемый подход – принципиальный переход от измерения выбросов аналоговыми датчиками к экономичным цифровым решениям, данные которых более точные и информативные. В процессе исследования ученые ЮУрГУ запатентовали методику, и на основе лицензионных соглашений непрерывно расширяют сеть постов, количество которых в ближайшее время достигнет 21 единицы.
Проект был поддержан грантом РНФ в 2022 году и в рамках стратегического проекта «Экосреда постиндустриальной агломерации» программы «Приоритет 2030».
Челябинск, Софья Артемьева