Загрязнение атмосферного воздуха взвешенными частицами PM2.5 является одной из наиболее острых экологических и социально-экономических проблем для промышленных городов. Существующие системы мониторинга не обеспечивают прогнозирования уровня загрязнения, что делает актуальным разработку точных моделей для заблаговременного предупреждения населения и принятия управленческих решений. Прогнозирование уровня концентраций взвешенных частиц PM2.5 рассматривается на примере крупного промышленного города – Красноярска, административного центра Красноярского края. Спецификой метеорологических условий в городе являются температурные инверсии, создающие устойчивые загрязненные слои в приземном слое атмосферы в зимний период.

В докладе представлено сравнение эффективности различных моделей машинного обучения для прогнозирования суточной концентрации PM2.5. Показано, что нейросетевая модель LSTM (Long Short-Term Memory), обученная на данных с сезонным разделением и дополненная метеорологическими параметрами, значительно превосходит по точности регрессионные, ARIMA/ARIMAX, ансамблевые и бустинговые модели. Модель демонстрирует высокую прогнозную точность со значениями средней абсолютной ошибки (MAE) ≤ 1,63 мкг/м³ и коэффициентом детерминации R² ≥ 0,80.

Разработанная модель реализована в виде программного комплекса, который внедряется в систему экологического мониторинга г. Красноярска и может быть применен в других промышленных городах.

Трансляция семинара будет осуществляться на платформе BigBlueButton по ссылке: https://vcs-6.ict.nsc.ru/rooms/nmm-jge-zjd/join.