В ЮУрГУ создали систему непрерывного контроля загрязнения воздуха в городах
Систему, которая в онлайн режиме оценивает и прогнозирует рассеивание выбросов вредных веществ автотранспортом на городских улицах, разработали и внедрили сотрудники Политехнического института и Института естественных и точных наук Южно-Уральского государственного университета (ЮУрГУ), 24 мая сообщает пресс-служба вуза.
Достоинствами созданной специалистами ЮУрГУ системы динамического контроля выбросов «AIMS-Eco» является непрерывность контроля загрязнения воздуха и учет при расчете его уровня текущих метеорологических факторов и плотности городской застройки. Систему AIMS-Eco уже используют в таких крупных городах России как Санкт-Петербург, Пермь и Челябинск.
Созданная модель анализирует данные, получаемые по принципу IoT-технологий (интернет вещей) от камер уличного видеонаблюдения, что позволяет использовать уже существующую телекоммуникационную инфраструктуру и станции метеорологического и экологического мониторинга.
Руководитель проекта, кандидат технических наук, доцент кафедры «Автомобильный транспорт» ЮУрГУ Владимир Шепелёв рассказал о преимуществах разработанной ими системы:
«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 онлайн».
Система обрабатывает массивы больших данных о состоянии изменения выбросов точечных источников загрязнения и о динамике изменения метеорологических факторов. Обработка идет с помощью обучаемых рекуррентных нейронных сетей LSTM, что позволяет повышать точность прогноза выбросов от автотранспорта, их количества и концентрации.
Быстрое извлечение данных с видеопотоков выполняется сверточной нейронной сети (RNN), которая обеспечивает мониторинг в режиме реального времени и формирует историю данных. Это позволило разработать сложную архитектуру LSTM с алгоритмами самообучения.
Глубокое обучения нейронных сетей производилось на вычислительном комплексе «Нейрокомпьютер ЮУрГУ».
В системе, разработанной в ЮУрГУ, осуществлен принципиальный переход от измерения выбросов аналоговыми датчиками к экономичным цифровым решениям, позволяющим получить более точные и информативные данные.
В процессе исследования системы ученые ЮУрГУ запатентовали созданную ими методику. В настоящее время они непрерывно расширяют сеть постов, их количество скоро достигнет 21 единицы.
