Содержание к диссертации
Введение
Глава 1. Подходы к разработке нормативов качества для приоритетных загрязняющих веществ в компонентах урбоэкосистем 14
1.1. Существующие отечественные подходы к разработке нормативов качества 20
1.2. Существующие зарубежные подходы к определению нормативов качества 27
1.3. Возможности использования биосред детей как объекта исследования для расчета нормативов качества 33
1.4. Возможности использования современных расчетных методов и инновационных информационных технологий для разработки экологических нормативов 43
1.5.Обоснование и основные постулаты разработанной методологии экологического нормирования 53
Глава 2. Объекты и методы исследования 59
2.1. Обоснование объектов исследования 59
2.2. Методики определения содержания металлов в различных средах
2.2.1. Питьевые воды 60
2.2.2. Аккумулирующие среды детей 61
2.2.3.Снежный покров 61
2.2.4. Почвенный покров 63
2.3.Обоснование метода экспериментального определения металлов в объектах окружающей среды и аккумулирующих биосредах организма 64
2.4. Описание полученных экспериментальных результатов 68
2.4.1.Экспериментальные результаты по г. Нижнекамску 83
2.5.Расчетные методы исследования 84
2.5.1. Классические и инновационные расчетные методы 84
2.5.2. Выбор функций аппроксимации зависимостей металл во внутренней среде - металл во внешней среде 87
Глава 3. Построение моделей и выбор функции аппроксимации концентрационных зависимостей 89
3.1. Кластеризация результатов исследования по содержанию металлов в различных средах 89
3.1.1. Питьевая вода 90
3.1.2. Почвенный покров 91
3.1.3. Снежный покров 92
3.2. Аппроксимация зависимости «Металл в воде (х)- металл в волосах (y)» 94
3.3.Аппроксимация зависимости «Металл в снеге (х)- металл в волосах (y)» 101
3.4.Аппроксимация зависимости «Металл в почве (х)-металл в волосах (y)» 107
Глава 4. Комплексные нормативы качества в условиях поступления металлов в организм разными путями 121
4.1. Свинец 122
4.2. Железо 126
4.3. Медь 130
Глава 5. Перспективные нормативы качества компонентов урбоэкосистем 135
5.1.Обоснование методики расчета перспективных нормативов качества 135
5.2. Расчетные значения перспективных нормативов качества 144
Глава 6. Сопредельные нормативы качества компонентов урбоэкосистемы 148
6.1. Расчет содержания металлов в снежном покрове 150
6.2. Расчет содержания металлов в почве и растительном покрове 162
6.3. Проектирование нейросетевого каскада и методология расчета нормативов сопредельности 1 6.3.1. Создание нейросетевого каскада 1 на основе единой нейросетевой модели 168
6.3.2. Создание нейросетевого каскада 2 на основе нескольких нейросетевых моделей 168
Глава 7. Разработка нормативов качества и воздействия для атмосферного воздуха урбоэкосистемы в условиях множественных источников его загрязнения многокомпонентными выбросами 188
7.1. Расчет концентраций примесей в приземном слое атмосферного воздуха с помощью УПРЗА «Эколог-Город» 188
7.2. Расчет концентраций примесей с помощью нейросетевых технологий
7.2.1. Выбор значимых метеопараметров – предикторов нейросетевой модели 191
7.2.2. Нейросетевая адаптация расчетных концентраций примесей в приземном слое атмосферного воздуха 195
7.3. Определение приоритетного списка веществ, подлежащих систематическому контролю в атмосферном воздухе г. Нижнекамск в условиях преобладающих выбросов химических и нефтехимических производств 211
7.4. Расчет интегрального показателя загрязнения приземного слоя атмосферного воздуха 219
7.5. Коррекция нейросети комплексом реперных показателей для использования на территории других урбоэкосистем 230
7.6. Текущие нормативы качества атмосферного воздуха по содержанию примесей на основе градации риска 244
7.7. Перспективные нормативы качества атмосферного воздуха по содержанию примесей на основе градации риска 248
7.8. Определение нормативов воздействия на основании нормативов качества приземного слоя атмосферного воздуха 253
7.8.1.Методология определения нормативов воздействия 255
7.8.2. Апробация предлагаемой методологии определения нормативов воздействия 256
Заключение 261
Выводы 264
Литература
- Возможности использования биосред детей как объекта исследования для расчета нормативов качества
- Аккумулирующие среды детей
- Аппроксимация зависимости «Металл в воде (х)- металл в волосах (y)»
- Расчетные значения перспективных нормативов качества
Возможности использования биосред детей как объекта исследования для расчета нормативов качества
Природоохранное нормирование является одним из центральных звеньев механизма охраны окружающей среды. Федеральным законом «Об охране окружающей среды», введенным в действие в 2002 году, определено, что регулирование воздействия хозяйственной деятельности на окружающую среду осуществляется посредством установления нормативов качества окружающей среды и нормативов допустимого воздействия на нее. Главной целью при этом является обеспечение условий для сохранения благоприятной окружающей среды.
Практически все используемые в Российской Федерации нормативы качества и воздействия (статьи 21, 22) основаны на использовании предельно допустимых концентраций (ПДК), недостатки которых подробно описываются в следующем разделе. В результате устанавливаются ошибочные приоритеты регулирования антропогенной нагрузки. В Федеральном законе «Об охране окружающей среды» также предусматривается учет природных особенностей территорий и акваторий при установлении нормативов качества окружающей среды, допустимого воздействия и допустимой антропогенной нагрузки на окружающую среду. В статье 14 установлено требование по учету географических, природных, социальных, экономических и иных особенностей территорий субъектов Российской Федерации, определены дифференцированные размеры платы за негативное (вредное) воздействие на окружающую среду. Однако конкретный механизм учета территориальных особенностей при разработке нормативов в регламентирующих документах не указан. Применяемые подходы не позволяют реализовать продекларированную законодательством России необходимость установления экологических нормативов.
В связи с этим еще в конце XX столетия в России был поставлен вопрос о необходимости определения экологических нормативов (Израэль, 1984). Сама процедура определения нормативов для компонентов экосистем, соблюдение которых гарантирует нормальное функционирование экосистем различного уровня, в том числе и урбоэкосистем, обозначается общепринятым термином «экологическое нормирование» (Дмитриев, Фрумин, 2004). Но в различных источниках содержатся некоторые уточнения процедуры экологического нормирования. Так, в работе (Израэль, 1984) указывается на необходимость оценки не условий нормального функционирования экосистемы в целом, а ее отдельного «критического звена». В работах (Патин, 1979; Замолодчиков, 1993) указывается на целесообразность ранжирования экологических нормативов по объектам исследования, состояние которых определяется взаимодействием определенного набора и количественных характеристик факторов. Схожие взгляды прослеживаются в работах (Базилевич, 1986; Глазовская, 1988; Сает, 1990; Волков, 1993), согласно которым процедура экологического нормирования должна проводиться с учетом зональных факторов устойчивости экосистем по биогеографическому принципу.
Разработка системы научно-обоснованных экологических нормативов невозможна без стройной, обоснованной методологии. Основные подходы формирования системы экологического нормирования и разработки экологических нормативов представлены в работах А.А. Ивина (1970), А.А. Королькова и В.П. Петленко (1977), Э.И. Слепяна (1977, 1984), Ю.А. Израэля (1983, 1984), А.П. Левича (1978, 1997), Л.П. Брагинского (1981), В.Д. Федорова (1982), К.Ф. Сорвачева (1983), В.А. Ковда (1989), И.М. Трахтенберга (1991), В.В. Дмитриева (1997), Д.Г. Замолодчикова (1993), О.Ф. Садыкова (1988, 1989), Ю.Г. Пузаченко (1990, 1992, 2004) и целого ряда других авторов. Однако в настоящее время не существует единой методологии экологического нормирования, до сих пор идет обсуждение концептуальных основ и методической базы.
Разработка экологических нормативов связана с другими задачами прикладной экологии, такими как выбор информативных критериев, способов свертывания информации, обоснованный выбор используемых методов математического моделирования и информационных технологий и т.д. Использование современных математических методов и инновационных информационных технологий позволяет решать указанные задачи (Красовский, 1990; Рыжова, 1992; Пузаченко, 2004; Потапов и др., 2005).
Экологические нормативы должны определяться индивидуально для конкретного региона и отрезка времени. Поэтому для практического использования необходимо разрабатывать нормативы, как на текущий момент времени, так и на перспективу. Значения текущих нормативов качества оцениваются как достижимые на данном этапе. Значения перспективных нормативов качества устанавливаются как ориентир, который должен быть достигнут к определенному сроку с помощью внедрения природоохранных мероприятий в предшествующий период действия текущих нормативов. Это означает, что перспективные нормативы через заранее установленный промежуток времени планомерно переходят в текущие. Этим обеспечивается поэтапное приближение значения антропогенной нагрузки к заданному нормативному уровню (Филипенко, 1990; Дзыбов, 1992; Воробейчик, 1994).
Если вспомнить опыт внедрения установленных в 30-е годы 20 века санитарно-гигиенических нормативов, то многие из них были сначала недостижимы. Однако в дальнейшем используемые на производстве технологии модифицировались с целью соблюдения установленных нормативов. Поэтому разработка экологических нормативов должна являться ориентиром для повышения экологичности технологий (Криволуцкий, 1984; Сидоренко, 1988; Безель, 1992; Чистобаев, 2005).
Аккумулирующие среды детей
Полученная матрица данных была использована для построения регрессионных моделей. Регрессионные модели, являются оптимальным методом разработки нормативов качества металлов в компонентах урбоэкосистемы, тех пороговых концентраций, превышение которых приводит к резкому накоплению металлов в организме. Однако необходимо выбрать функцию, наиболее адекватно аппроксимирующую рассматриваемые зависимости. Любую корреляционную зависимость можно описать множеством функций, каждая из которых будет аппроксимировать зависимость со своей полнотой и точностью, что, в зависимости от вида выбранной модели, может привести к значительным отличиям при расчете нормативов качества. На основании полученных массивов мониторинговых данных проведена оценка степени аппроксимации различными моделями выявленных зависимостей содержаний металлов в различных внешних средах от их содержания в аккумулирующей среде организма (волосы) с поиском наиболее адекватных. Данные зависимости являлись основой расчета региональных нормативов качества металлов в компонентах урбоэкосистемы, являющихся альтернативой существующих ПДК. Аппроксимации осуществлялись для выделенных в результате кластерного анализа металлов, но стоит вопрос рационального выбора функций, для адекватной аппроксимации зависимостей.
Аппроксимация проводилась в соответствии с методом наименьших квадратов. Уровень доверия - 95%. На первом этапе исследования выбиралась лучшая функция, аппроксимирующая зависимость «содержание в питьевой воде - содержание в волосах детей» для стронция. Результаты линейной аппроксимации показаны на рисунке 3.4. Функция имеет вид: /=2,67 + 35,55 . Кубическая аппроксимация показана на рисунке 3.5. 3 Функция имеет вид: Y=A+Bx+Cx+Dx Параметры функции: Л=5,32122; В=-6,70284; 6=177,19208; / =-176,53256. Аппроксимация полиномом четвертой степени показана на рисунке 3.6. Функция имеет вид: у- Д + Ах+ А + А + Л Параметры функции: Л р21,66844; Л;=-288,84764; Л 1668,81087; /lj=-3043,23276; А ==1800,00527. Логистическая аппроксимация показана на рисунке 3.7. Функция имеет вид: у= . Параметры функции: а=27,65842; /т=8,06464; А=7,72874. Сигмоидальная аппроксимация показана на рисунке 3.8. Функция имеет вид: А А у=А2+——(7 }. Параметры функции: Л;=7,04766; Дг=25,74778; хо=0,28842; 1+е сй=4,30662Е-4. Рис. 3.4. Линейная зависимость содержания стронция в волосах детей от содержания в потребляемой питьевой воде Содержание стронция в воде (мг/л) Рис. 3.5. Кубическая зависимость содержания стронция в волосах детей от содержания в потребляемой питьевой воде Рис. 3.6. Полиноминальная зависимость содержания стронция в волосах детей от содержания в потребляемой питьевой воде Рис. 3.7. Логистическая зависимость содержания стронция в волосах детей от содержания в потребляемой питьевой воде Рис. 3.8. Сигмоидальная зависимость содержания стронция в волосах детей от содержания в потребляемой питьевой воде Сводные результаты аппроксимации представлены в таблице 3.1. Таблица 3.1 Результаты аппроксимации для стронция Аппроксимация Корреляция Средняя ошибка, мг/л Максимальная ошибка, мг/л Минимальная ошибка, мг/л
В результате анализа проведенных экспериментов по аппроксимации зависимости содержания стронция в волосах детей от его содержания в водопроводной питьевой воде можно заключить, что линейная и нелинейные аппроксимации кубическим полиномом и логистической функцией демонстрируют практически одинаковые результаты по точности и уровню корреляции регрессионной модели с экспериментальными данными (средняя ошибка порядка 51% и корреляция порядка 0,75). Полином четвертой степени, как регрессионная модель, продемонстрировал лучшие результаты: средняя ошибка снизилась примерно на два процента, а корреляция увеличилась до 0,77. Однако, наиболее адекватной регрессионной моделью для зависимости «стронций в воде – стронций в волосах» следует признать аппроксимацию сигмоидальной функцией, так как данная модель обеспечивает максимальную корреляцию – 0,81.
Данный результат может быть объяснен тем, что реальная экспериментальная зависимость, вероятно, представляет из себя зависимость типа «скачок с насыщением», которую сигмоида отражает наиболее точно. Также параметры модели могут быть использованы для прогнозов: при превышении порогового значения содержания стронция в водопроводной воде в 0,28842 мг/л (параметр x0) следует ожидать резкого скачкообразного повышения уровня стронция в волосах детей (в три и более раз). Сигмоидальная функция имеет вид: Интересно отметить, что если подставить в формулу значение 0,28842, то мы получим содержание стронция в волосах равное 16,3 мкг/г, что очень близко к региональному нормативу содержания стронция в волосах детей, разработанному сотрудниками кафедры педиатрии КГМА (Мальцев и др., 2001), имеющему значение 14 мкг/г. На участке скачка сигмоида очень чувствительна и округление концентрации стронция в воде всего до 0,288 и дает снижение расчетной величины стронция в волосах сразу до уровня 12,2 мкг/г, что подтверждает адекватность рассматриваемой модели региональному нормативу.
Величине 14 мкг/г стронция в волосах соответствует концентрация 0,2882 мг/л стронция в питьевой воде, что является не принципиальным, при массовых оценках качества воды, поэтому в качестве порогового значения концентрации стронция в воде мы предлагаем использовать округленную величину 0,288 мг/л. Около 12% наблюдений превышают это значение. ПДК стронция в питьевой воде составляет 7 мг/л. Определенный нами альтернативный норматив качества меньше регламентированного в 24,3 раза.
На втором этапе исследования выбиралась лучшая функция, аппроксимирующая зависимость «содержание в питьевой воде - содержание в волосах детей» для железа. Линейная аппроксимация показана на рисунке 3.9. Функция имеет вид: y= A+Bx. Параметры функции: A=18,90513; B=57,90311. Кубическая аппроксимация показана на рисунке 3.10. Функция имеет вид: y= A+Bx+Cx2 +Dx3 . Параметры функции: A=-64,65315; B=3475,58733; C=-44132,16676; D=181265,12161. Аппроксимация полиномом пятой степени показана на рисунке 3.11. Функция имеет вид: y= A0 + A1x+ A2x2 + A3x3 +A4x4 + A5x5. Параметры функции: A0=186,24629; A1=-14802,5174; A2=464015,59167; A3=-6,5914E6; A4=4,34626E7; A5=-1,07859E8.
Аппроксимация зависимости «Металл в воде (х)- металл в волосах (y)»
Следовательно, единая нейросетевая модель для определения содержания всех исследуемых металлов в снежном покрове одновременно и семь отдельных нейросетевых моделей для расчета содержания каждого металла имеют примерно одинаковую производительность, точность и достоверность. Однако второй подход обеспечивает несколько лучшие показатели. Хотя единая нейросетевая модель удобнее с точки зрения практического использования.
Таким образом, в качестве предикторов нами использовались показатели поступления снега и пыли, затем при помощи нейросети, определялось содержание в снеге металлов. Следующим этапом исследования выбран этап определения содержания металлов в почвенном покрове.
Расчет содержания металлов в почве и растительном покрове
Следующим этапом исследования явилось создание нейросетевой модели для расчета содержания металлов в почве и растениях в зависимости от уровня содержания металлов в снежном покрове. Нами проектировалась нейронная сеть со следующими характеристиками:
Обучение модели осуществлялось согласно алгоритму обратного распространения ошибки с 10000 итерациями (первый проход), и методу сопряженных градиентов с 5000 итерациями (второй проход). Производительность сети составила 0,93. Показатели эффективности спроектированной нейросети и результаты расчетов показаны в таблице 6.8 и рисунке 6.9.
Проводилось исследование взаимозависимостей содержания металлов в сопредельных средах. Для исследования применялись поверхности отклика разработанной нейросетевой модели расчета содержания металлов в почве и растениях в зависимости от содержания металлов в снежном покрове. В частности, доказана прямая зависимость между увеличением совместного содержания в снеге цинка и меди и содержанием меди в почве (рисунок 6.10).
Подобная зависимость выражена еще более ярко для содержания меди в растениях (рисунок 6.11.).
Проектирование нейросетевого каскада и методология расчета нормативов сопредельности Создание каскадной нейронной сети для прогнозирования содержания металлов в почве и растениях в зависимости от поступления снега и пыли. Для создания каскада используются уже готовые обученные сети из первого этапа работ (сети прогнозирующие содержание металлов в снежном покрове в зависимости от поступления снега и пыли) и второго этапа работ (сеть прогнозирующая содержание металлов в растениях и почве в зависимости от содержания металлов в снежном покрове).
Каскад функционирует согласно следующему алгоритму: 1. На входы нейросетевой модели расчета содержания металлов (Cu, Zn, Ni, Cr, Pb, Fe, Mn) в снежном покрове (единой модели или семи отдельных нейронных сетей для каждого металла подаются экспериментально измеренные значения поступления пыли (мг/м2) и снега (кг/м2). 2. В результате работы модели первого этапа рассчитывается содержание металлов в пыли снежного покрова в зависимости от толщины снежного покрова и содержания пыли в нем. 3. Полученные результаты подаются на вход нейросетевой модели расчета содержания металлов в почве и растениях, разработанной на втором этапе. 168 4. Рассчитывается содержание металлов в почве (Cu, Zn, Ni, Cr, Pb, Cd, Co) и в растениях (Cu, Zn, Ni, Cr, Pb, Fe, Mn, Cd). Основным достоинством алгоритма является простота его реализации, не требующая переобучения или перенастройки моделей, входящих в каскад. Объединение сетей в каскад можно производить двумя методами в зависимости от подхода к созданию нейросетевой модели расчета содержания металлов в снежном покрове - создание единой нейросетевой модели, либо создание отдельных нейросетевых моделей для каждого металла.
Объединение сетей в каскад возможно, так как число выходов нейросетевой модели первого этапа совпадает с числом входов модели второго этапа. Переобучение нейронных сетей внутри полученного каскада не производится. Характеристики нейросетевого каскада:
Объединение сетей в каскад возможно, так как число отдельных нейросетевых моделей с единственным выходом первого этапа совпадает с числом входов модели второго этапа. Переобучение нейронных сетей внутри полученного каскада не производится. В данном методе добавляется еще один скрытый распределительный слой для дублирования исходных данных на входы всех семи нейросетевых моделей расчета содержания металлов в снежном покрове. Топология нейросетевого каскада 1 показана на рисунке 6.13.
Расчетные значения перспективных нормативов качества
Полученные поверхности позволяют сделать следующие выводы. При сочетании факторов высокой температуры и повышенного атмосферного давления решающим фактором для повышения параметра Р является именно температура. Влияние атмосферного давления в такой паре выражено незначительно (рисунок 7.29). На увеличение параметра Р влияет сочетанное увеличение таких факторов, как скорость и направление ветра (рисунок 7.30.), а также одновременное 230 повышение температуры и влажности воздуха (рисунок 7.32.), что соответствует экспериментальным наблюдениям. Совместное влияние факторов давления и влажности на изменение параметра Р (рисунок 7.31.) не выражено. Имеются пиковые выбросы в зоне повышенной температуры, которые, однако, могут являться статистически не значимыми в силу единичного характера подобных результатов. По результатам проведенных экспериментов можно сделать следующие выводы. В качестве адекватной модели расчета параметра Р по зависимости от метеоусловий следует применять редуцированный многослойный персептрон описанной выше топологии. Построенная модель может с высокой степенью эффективности применяться для прогнозирования параметра Р - вероятности риска возникновения условий, при которых концентрация загрязняющих веществ в приземном слое атмосферы будет максимальной.
Следующим этапом исследования была оценка возможности использования спроектированной нейросети для других урбанизированных территорий.
Коррекция нейросети комплексом реперных показателей для использования на территории других урбоэкосистем
Успешное функционирование нейросетей зависит не только от качества обучающих выборок, характеризующих некое явление, но и от правильного подбора показателей, максимизирующих дисперсию в характеристиках этого явления. Если выстроить системы аналогичного генеза в вариационный ряд, то ранжирующим критерием и будут выступать эти особые показатели, которые мы называем реперными.
В данном случае речь идет об экстраполяции вариационной изменчивости параметра Р, рассчитанного для города-эталона, применительно к произвольному городу-сравнения. В основе используемой нами методологии реперных показателей лежат алгоритмы систем распознавания образов, которые мы используем для модификации работы нейросети с учетом конкретных условий, отличных от тех, на которых она была обучена.
Анализ методических и аналитических материалов (Патракова, 2004), позволил выделить следующие главные компоненты: расстояния, разделяющие промышленные и жилые зоны (ширина буферных зон, площадь города или его протяженность относительно направления преобладающих ветров, площади зеленых зон и лесопарковых массивов и т.д.), расположение промышленных и жилых зон относительно друг друга и розы ветров, этажность и плотность застройки.
Следующим этапом явился анализ величин и зависимостей от скорости и направления ветра фоновых концентраций всех измеряемых в воздухе на границе санитарно-защитной зоны Нижнекамского промышленного узла примесей в рассматриваемый временной период.
При проведении расчетов в соответствии с РД 52.04.186-89 производится выделение градаций скорости и направления ветра, для чего расчеты проводятся для пяти метеорологических ситуаций: 1. Слабые ветры. Скорости ветра перебираются от 0,5 до 2 м/с. Направления ветра перебираются по кругу. 2. Северный ветер. Скорости ветра перебираются от 3 м/c до U , Направления ветра перебираются в секторах от 315 до 360 и от 0 до 44. 3. Восточный ветер. Скорости ветра перебираются от 3 м/c до U . Направления ветра перебираются в секторе от 45 до 134. 4. Южный ветер. Скорости ветра перебираются от 3 м/c до U . Направления ветра перебираются в секторе от 135 до 224. Западный ветер. Скорости ветра перебираются от 3 м/c до U . Направления ветра перебираются в секторе от 225 до 314.
Примечание: U - скорость ветра, вероятность превышения которой составляет 5%. После проведения расчетов и получения максимальных приземных концентраций в расчетных точках в соответствии с п. 7.6. ОНД-86 (Методика…, 1987) фоновое загрязнение определяется умножением расчетной концентрации на коэффициент 0,4.
В результате были определены средневзвешенные величины параметров, определяющих параметр Р: повторяемость приземных инверсий, % – 46; мощность приземных инверсий, км – 0,32; повторяемость скорости ветра 0-1 м/с, % – 10.