СРАВНЕНИЕДВУХ АЛЬТЕРНАТИВНЫХ МОДЕЛЕЙ РАСЧЕТА ВЫБРОСОВ ЗАГРЯЗНЯЮЩИХ ВЕЩЕСТВ И ФАКТИЧЕСКИХ ДАННЫХ В СИСТЕМЕ ОБРАБОТКИ ИНФОРМАЦИИ "СРЕДА-ЗДОРОВЬЕ" (EHIPS)

БОРИС БАЛТЕР, МАРИЯ СТАЛЬНАЯ, ВИКТОР ЕГОРОВ

Институт Космических Исследований, Российская Академия Наук
Профсоюзная ул. 84/32,
Москва, 117810,
Россия

В статье представлены результаты моделирования выбросов загрязняющих веществ в окружающую среду с использованием программы EHIPS, разработанной для расчетов связи загрязнения окружающей среды и здоровья населения. Начнем с общего описания системы, затем перейдем к рассмотрению блока моделирования, который использует две стандартные модели расчета дисперсии - российскую (ОНД-86) и американскую (ISC3ST). Особенность этого модуля - связи с другими компонентам системы, которые открывают путь к многократному использованию результатов моделирования, включая простое сравнение между модельными расчетами и результатами фактических измерений.

Сравнивать модельные данные и результаты фактических измерений будем на годичном наборе данных, полученных в индустриальном городе (Череповец, РФ). В общем, совпадение трех вышеуказанных видов данных получается удовлетворительным. Нас интересует, прежде всего, анализ зависимости расхождений между моделями и между модельными и реальными данными, в зависимости отзагрязняющего вещества, времени, и т.д. Мы также обсудим влияние неточностей информации об источниках выбросов на точность модельных данных. Приводятся также попытки интерпретировать оценки риска, полученные в результате моделирования.

Что такое EHIPS?

EHIPS - программное обеспечение, обрабатывающее данные и вычислительные модели, связанные с химическим загрязнением окружающей среды и состоянием здоровья населения.
Основные особенности:

• Выходом являются портреты и прогнозы опасностей для здоровья населения,связанные с загрязнением окружающей среды;
• Оценивается относительная серьезность опасностей, в зависимости от пользовательских критериев;
• Выбираются приоритеты для управления загрязнением окружающей среды;
• Оценивается надежность или неопределенность выводов, сделанных на основе существующих данных;
• Выдаются сообщения о необходимости дополнительных данных.

• Вычислять экономический ущерб, связанный с потерями здоровья населения из-за загрязнения окружающей среды;
• Выбирать варианты управления загрязнением окружающей среды, которые могут оправдать издержки;
• Оптимизировать план управления, используя анализ стоимости-эффективности;
• Проверять фактические результаты принятого плана управления загрязнением окружающей среды и выдавать коррективы к нему, в случае необходимости.

• Идентификация приоритетных проблем;
• Распределение ответственности за них между 'виновными' сторонами и, в случае необходимости, научная поддержка юридических процедур;
• Оценка потенциальной опасности для здоровья населения строительных и других проектов;
• Оптимизация систем локального мониторинга окружающей среды для повышения ценности информации;
• Формирование общественного мнения по проблемам окружающей среды с учетом экономических реальностей;
• Оптимизация действий по снижению загрязнения окружающей среды и улучшению здоровья населения и отслеживание результатов;
• Обнаружение новых опасностей, требующих быстрой реакции.

Какие проблемы решает EHIPS?

Существует много программного обеспечения для анализа загрязнения окружающей среды: моделирование расчет дисперсии загрязняющего вещества, вычисление рисков здоровью населения, поддержка эпидемиологических исследований окружающей среды и т.д. Однако, каждое программное обеспечение направлено на один определенный аспект обработки данных. Напротив, EHIPS был разработан для связи этих аспектов и создания конвейера вычислений, который использует анализ данных в одном модуле, чтобы улучшить результаты расчетов в другом модуле. Этот универсализм может помочь в решении следующих проблем.

Обычно, программное обеспечение, созданное для административных целей (например, проверка выполнения нормативов на концентрацию) использует некоторый фиксированный алгоритм для вычисления концентраций и рисков, заполнения пробелов в данных и так далее. Однако, проблемы окружающей среды научно сложны и обычно нуждаются в вычислительных экспериментировах и подгонке данных для получения удовлетворительных результатов. Такой научный анализ обеспечивается совершенно иным программным обеспечением (если вообще проводится). EHIPS же синтезирует конвейер вычислений по фиксированному алгоритму и научный анализ. Последний задает значения параметров для первого, проверяет осмысленность его результатов и, в случае необходимости, адаптирует параметры далее.

EHIPS не требует создания специальных систем наблюдения среды или злоровья. Программа ориентирована на стандартные базы данных, которые существуют в России: по выбросу загрязняющего вещества, измеренным концентрациям, заболеваемости, смертности и т.д. Такие данные обычно лежат мертвым грузом или используются очень поверхностно, потому что прежде, чем их можно действительно использовать, их нужно многократно проверить, скомпоновать с другими данными, адаптировать к решаемой задаче. EHIPS может оживить такие данные, вобрав их в себя через гибкий интерфейс, проверенный на нескольких десятках типов баз данных России. Через этот интерфейс данные импортируются в универсальный конвейер обработки и становятся активными участниками решения любой задачи.

Все типы данных, упомянутые выше, имеют общий набор основных операций:

• Иерархическое структурирование;
• Выбор "сечения" и обзор данных;
• Нормализация;
• Обнаружение горячих точек/выскакивающих значений и т.д.

• Время,
• Территория,
• Загрязняющее вещество,
• Группа населения,
• Диагноз.

Обычно, программное обеспечение, ориентированное на анализ загрязнения окружающей среды, использует или результаты прямых измерений, или результаты компьютерного моделирования, но не оба одновременно. Однако, желательно было бы использовать оба источника информации для взаимной проверки и корректировки. Реализуя такой режим, EHIPS обеспечивает проверяемость результатов.

Состояние разработки EHIPS

Разработка EHIPS была начата в 1995 году группой экологического моделирования Института космических исследований, РАН (Москва). В 1996 - 1997 работа была продолжена той же самой группой и некоторым дополнительным персоналом в рамках Проекта управления окружающей средой РФ, и в 1997 - 2001 снова Институтом Космических Исследований.

В результате возникло три варианта конфигурации EHIPS:

• Минимальная запускается на автономном PC, на котором находятся все базы данных. Она включает ограниченный набор модулей и функций и предназначена для использования отдельным экспертом в муниципальном / региональном государственном учреждении. Она ориентирована, главным образом, на загрязнение воздушного пространства.
• Промежуточная должна работать на локальной или глобальной сети из нескольких PC с базами данных, произвольно распределенными в этой сети. Она имеет полный набор модулей и функций и поддерживается специальной организационной структурой - центром обработки данных поокружающей среде и здоровью населения. Она должна обслуживать в основном те жегосударственные учреждения, а также может работать по частным заказам. Никакой специальной структуры сети не предполагается, поэтому на ней возможен лишь обмен данными и результатами, но не совместная обработка и не поддержка общих стандартов обработки.
• Максимальная - это жестко организованная сетевая структура. Она состоит из нескольких систем промежуточного типа, установленных в различных областях и связанных через Интернет с центром в Москве, который обеспечивает методологическую поддержку, связи базы данных, материалы, и т.д. для всей сети. Эта система должна обеспечивать некоторый стандарт методики и качества обработки данных.

Функции

Основные функции EHIPS.

• Обзор данных: генерация таблиц, диаграмм, карт и гистограмм данных, развернутых вдоль одной или нескольких осей пространства данных. Данные могут быть даны как абсолютные значения или относительно некоторого подмножества данных, принимаемого в виде системы отсчета. Развернутые вдоль подобных осей данные могут сравниваться; таким образом, например, можно сравнивать модельные и измеренные значения. Эта функция, хотя и рутинная, является критической для эффективности интерфейса конечного пользователя.
• Отбор и подгонка данных - процесс выбора правильного подмножества данных и схемы агрегации для решаемой задачи. Это включает постановку задачи для нескольких иерархических уровней сразу; обнаружение выскакивающих значений; отделение их от значимых горячих точек; выбор подмножества данных с наиболее тесной связью между окружающей средой и индикаторами здоровья, и т.д. Это начальная стадия анализа данных, и это может быть повторено впоследствии несколько раз, в случае необходимости.
• Поиск и подтверждение горячих точек - одна из самых простых функций, но наиболее часто используемая конечными пользователями. Горячие точки - компактные интервалы времени, компактные территории или части любой другой оси пространства данных, где значения некоторого типа данных (концентрация, смертность и т.д.) значительно выделяются из фона. "Значения" могут быть также некоторым индикатором качества модели, например, остаточной дисперсией, так что горячая точка образуется там, где модель работает хуже всего. Горячие точки используются или для дальнейшего подробного исследования или как конечный продукт для лиц, принимающих решение. Важная часть этой функции - определение стабильности горячей точки и исключение артефактов обработки данных.
• Дальнейший анализ идет от горячих точек к ранжированному набору приоритетных опасностей. Грубо говоря, множество приоритетов - множество горячих точек, умноженное на матрицу ихважности для пользователя в каждой из пользовательских задач. Приоритет может объединять разные типы данных, связанные с одной и той же опасностью, так что ранжирование приоритетов может включать и многокритериальный анализ. Это необходимо, например, когда существует несколько пользователей с различными критериями важности. В парадигме риска, приоритеты - точка, где заканчивается оценка риска и начинается управление риском. В процессе обработки данных для управления риском, приоритетные опасности умножаются на цену управления ими, и проводится анализ "эффективность-стоимость".

Исходные данные

Следующие базы данных должны быть в наличии для рассматриваемой территории и содержать данные, по крайней мере, в течение одного года.

• Источники и интенсивности выбросов;
• Концентрации загрязняющего вещества, измеренные несколько раз в день в разных точках на местности;
• Стандартный набор ежедневных метеорологических измерений;
• ГИС-основа с данными о численности населения и значимыми объектами окружающей среды;
• Регистр персональных обращений в выбранные для анализа медицинские учреждения и/или данные амбулаторных посещений;
• Персональный регистр смертности

Следующие дополнительные базы данных должны присутствовать в максимальной конфигурации:

• Демографические параметры населения по крайней мере за 10 прошлых лет;
• Параметры социально - экономического состояния населения;
• Издержки, связанные с каждым типом ущерба здоровью населения;
• Технологии, используемые источниками загрязнения, возможности их замены и связанные с этим издержки.

Рисунок 1. Исходные данные и потоки данных в EHIPS. Серые квадраты: данные федерального уровня; белые квадраты внутри: данные регионального уровня. Прямоугольники, выделенные полужирным - основные модули расчета, каждый специализирован по одному типу данных. Они образуют конвейер обработки информации. В пределах каждого модуля перечислены переменные, по которым развернуты данные в модуле. Внизу: формы вывода результата.

Структура EHIPS

EHIPS состоит из последовательно расположенных модулей, по одному для каждого типа данных. В настоящее время имеются 5 модулей: выбросы, концентрации, риски, заболеваемость и смертность. Полная структура EHIPS будет включать также модули для индексов потерь здоровья, соответствующих экономических потерь, расчета критериев стоимость / эффективность, выбора мер управления, плана реализации выбранных мер управления, параметров тех технологических процессов, которые ведут к выбросу загрязняющего вещества.

Базовый, идущий по умолчанию процесс обработки данных состоит в обмене информацией между модулями. Обычно данные проходят через модули последовательно (например, от выброса к концентрациям загрязняющего вещества через модель дисперсии; от концентраций к риску через модель экспозиции, и т.д.). Внутри модуля модельные вычисления согласовываются с реальными измерениями из баз данных, связанных с модулем, и затем результаты передаются далее. В полном варианте EHIPS этот процесс доходит до модуля выбора мер управления выбросами и затем начинается с новыми выбросами. Таким образом, цикл замыкается и повторяется до тех пор, пока не достигнуто устойчивое состояние плана управления и соответствующего ему развития управляемой опасности.

На базе этого процесса EHIPS выполняет функции, описанные выше. Они реализуются функциональными блоками, которые работают со всеми модулями на равных основаниях. Это блок обзора данных, который выполняет сведение в таблицу, составление графиков и диаграмм, картирование; статистический блок, который выполняет корреляцию, регрессию, кластерный и паттерн-анализ и так далее.

Кроме того, EHIPS включает вспомогательные модули, которые обеспечивают связь с базами данных, формируют выходные отчетные документы, поддерживают сетевой обмен данными, и т.д.

Базовая структура EHIPS в минимальной конфигурации показана на рисунке 1. Информационный поток в максимальной конфигурации EHIPS показан на рисунке 2.

Блок моделей распространения выброса в EHIPS

Дисперсионная модель в минимальной версии EHIPS включает только распространение выброса в воздухе (см. верхнюю левую часть рисунка 1). Это только малая часть полного потока данных. Однако она важна, так как основана на хорошо известном физическом процессе. Поэтому она должна служить методологическим стандартом для валидации модели.

Мы используем две равноправных модели дисперсии выброса: ISC3ST, разработанная Агентством по охране окружающей среды США (EPA), и ОНД-86, разработанная российской Главной геофизической обсерваторией им. Воейкова (ГГО). Обе модели используются в административных целях в странах их разработки. Существует множество незначительных отличий в научном подходе между этими моделями; главное отличие - то, что ISC изначально использует гауссово приближение для профиля факела, в то время как в ОНД оно появляется постфактум, после приведения дифференциальных уравнений распространения к алгебраической форме.

Общая структура обоих алгоритмов одинакова и показана на рисунке 3.

Рисунок 2. Поток обработки информации в EHIPS.

Главная практическая проблема- то, что ОНД направлена на вычисление абсолютных максимумов концентрации при самых плохих метеорологических условиях, в то время как, ISC может предсказывать концентрации для любой текущей метеорологической обстановки и, следовательно, более пригодна для краткосрочного текущего контроля и прогноза. Однако указанное ограничение не встроено жестко в алгоритм ОНД, и мы расширили его, используя первоначальное описание уравнений ОНД так, чтобы две модели можно было сравнить при прочих равных условиях. Однако остались расхождения между двумя моделями в интерпретациииндекса атмосферной устойчивости, и это приводит к тому, что результаты могут расходиться в 2 - 3 раза. Поэтому мы уделяли наибольшее внимание не абсолютным значениям, а паттернам - рисункам поведения модельных предсказаний во времени, пространстве, и по другим "развертываемым переменным".

Рисунок 3. Параметризация и структуры информационного потока, общие для ISC и ОНД. Толщина стрелки показывает относительный вес зависимости между параметрами, которые она соединяет.

Результаты моделирования

На следующих рисунках представлен пример цветокодированных концентраций, рассчитанных на сетке квадратных ячеек, которые покрывают жилую область города Череповец. Расшифровка цветовых кодов находится в верхней шкале. Малые иконки в верхнем левом углу сетки представляют источники выброса в пределах самого большого предприятия в городе: сталеплавильного завода Северсталь. Однако там существуют также и другие источники эмиссии, которые могут оказывать значительное влияние на расчеты (по крайней мере для некоторых расположений и некоторых загрязняющих веществ). Кроме того, объем выброса брался из ежегодных отчетов, а не из фактических измерений на трубе. Все это порождает значительную неопределенность данных об источниках выброса. Следовательно, сравнение модели с измеренными концентрациями должно проводиться с осторожностью.

Годовые средние модельные концентрации NO₂рассчитанные для метеоусловий, соответствующих времени ежедневных 4-кратных замеров.

Рисунок 4. ISC3ST	Рисунок 5. ОНД-86

Видно, что абсолютные значения отличаются приблизительно в 2 раза, но имеется очевидное подобие в пространственной структуре. Наиболее важная особенность - горячая точка в стороне от 'основного потока' выброса - в северном жилом районе (более явная в ОНД). Ее обнаружение важно для целей регулирования загрязнения среды. Кроме того, оно соотносится с более высокими концентрациями, измеренными в этом районе.

Сравнения

Для сравнения между двумя моделями или между моделями и данными используем табличные / графические модули EHIPS, в которые подаются данные из модуля концентрации. Набор концентраций (из одной модели) выбран как система отсчета для другого подобного набора (из другой модели или из фактических данных). Строится график или гистограмма относительно этой системы отсчета по времени, или по другой переменной развертки. В результате получаем обзор различий между моделями или между моделью и фактическими данными. Некоторые примеры показаны на рисунках 6 - 11. (Мы также провели некоторую фильтрацию, чтобы удалить предполагаемые выскакивающие значения). В этих вычислениях мы использовали ISC3ST. Диапазон значений отношения реальных концентраций к модельным - примерно 0.1 - 10.

Для большинства загрязняющих веществ, модельные концентрации значительно ниже измеряемых. Это частично связано с неполнотой списка источников загрязнения. Мы можем прояснить причины различий, разворачивая отношение модельные / реальные данные по времени, так как различные источники ведут себя по-разному во временном диапазоне.

Для NO₂ летом модель почти точна (отношение близко к 1), и зимой значительно недооценивает концентрации. Это происходит, вероятно, из-за того, что ТЭЦ и котельные, не учитываемые в модели, не работают летом, а зимой они - главный источник NO₂ .

Для СО модели недооценивают концентрации, не имея очевидной сезонной динамики. Это происходит из-за того, что главным источником CO является транспорт (не учитываемый в модели), который не имеет явной сезонной зависимости.

Для пыли модель в среднем была почти точна. Это и ожидалось, так как главным источником пыли являются промышленные предприятия. Были случаи, когда измеряемые концентрации были меньше моделируемых. Одно из возможных объяснений этого - в изменении интенсивности выброса (временные уменьшения).

Как пример способов представления данных, дадим то же соотношение, усредненное по целому городскому району, не в виде гистограммы, а в виде ранжировки. Таким образом, мы сможем быстро идентифицировать самые большие расхождения, чтобы исследовать их подробно.

Отношение моделируемой концентрации к фактическим данным (X-ось). Годовая гистограмма 4-х разовых ежедневных замеров (Y-ось: случаев в год).	Ежемесячный ряд данных для того же самого отношения (Y-ось). Используемая фильтрация была такая же как в гистограмме.
Рисунок 6. СО	Рисунок 7.
Рисунок 8. NO2	Рисунок 9.
Рисунок 10. Пыль	Рисунок 11.
Рисунок 12. Отношение NO2 моделируемых концентраций к измеряемым данным, усредненным по одному району (Y-ось). Ежемесячные средние отношений, рассчитанных для 4х разовых ежедневных замеров.	Рисунок 13. Отношение моделируемых концентраций NO2 к измеряемым данным (Y-ось), усредненным поодному району (помесячное ранжирование отношений, рассчитанныхдля 4х разовых ежедневных замеров). X-ось: дни соответственного месяца, ранжированные так, что самое высокое отношение концентраций идет первым.

Другим направлением исследований было сравнение ISC и ОНД. Как показано на рис. 12, для NO₂ модели дают сравнимые результаты 'в среднем', но локальные расхождения примерно в 2 раза являются обычными. Это происходит прежде всего из-за чувствительности результатов к деталям моделирования, когда ячейка моделирования находится на хвосте факела. Как показано на рисунке 5, пространственные структуры - те же самые для обеих моделей.

Использование результатов

Основное использование модельных концентраций в EHIPS - для оценки риска здоровья населения. Мы прежде всего интересуемся неканцерогенными рисками, для которых стандартные схемы расчета риска не обеспечивают хорошую оценку. EHIPS использует для этого специальную модель риска, разработанную профессором С.М. Новиковом. Она объединяет все рассчитываемые неканцерогенные загрязняющие вещества. Возникающая в результате карта риска показана на рисунке 14. Она откалибрована так, чтобы нулевой риск соответствовал, грубо говоря, ненаблюдаемым значениям, а риск, равный 1, - смертельному исходу. Как показано в гистограмме суточных рисков (рисунок 15), главная составляющая риска связана с пылью, которая, как известно, коррелирует с полной смертностью.

Заметим, что из-за перекрытия пространственных структур, которые различаются для различных загрязняющих веществ, картина риска несколько отличается от показанной на рисунке 5 и т.д. Северная горячая точка приняла форму удлиненного 'хребта концентрации '.

Рисунок 14. Неканцерогенный риск, отображаемый на плане города: годовое среднее суточных значений, рассчитанных по ISC3ST. Вверху: цветная шкала относительного индекса риска. Цветные квадраты: ячейки сетки вычисления. Квадратные иконки: источники эмиссии, показывают тип источника. Черные квадраты: индустриальные здания.	Рисунок 15. Неканцерогенный риск: годовые гистограммы суточных значений риска (X-ось), рассчитанных по ISC3ST. Y-ось: ежегодная частота суточных значений риска.

Обсуждение

Можно сделать следующие предварительные заключения из экспериментов по моделированию с помощью EHIPS.

1. ОНД и ISC дают сравнимые годовые средние, но могут различаться в 2 - 3 раза для отдельных точек или моментов времени. Обе модели могут использоваться одновременно для взаимной проверки.
2. Даже если модели значительно недооценивают фактические концентрации, они могут давать правильные пространственные и временные паттерны. Следовательно, они могут быть подогнаны кзначениям реальных измерений, как "интерполяция" между редкими точками измерения.
3. Могут быть устойчивые горячие точки в неожиданных местах, и модельные риски даже в смежных ячейках моделирования могут отличиться в 2 раза.

Контакты

Для дополнительной информации и получения документации обращайтесь в группу разработчиков EHIPS:

Балтер Борис Михаилович: (495) 333-4467 ehips@yandex.ru

Егоров Виктор Валентинович: (495) 333-3589 ehips@yandex.ru

Ссылки

Страница EHIPS в Интернете: http://www.iki.rssi.ru/ehips/welcome.htm