The object of research, development or design (in Russian) : Северная и Юго-Восточная промзоны г. Павлодар

The object of research, development or design (in Kazakh) : Павлодар қаласының солтүстік және оңтүстік-шығыс өнеркәсіптік аймақтары

Aim of work (in Russian) : Выполнить анализ почвы в промышленной зоне г. Павлодар на содержание загрязняющих веществ, а также построить карты территориального распределения поллютантов с применением нейронных сетей.

Aim of work (in Kazakh) : Павлодар қаласының өнеркәсіптік аймағындағы топырақты ластаушы заттардың құрамына талдау жасау, сондай-ақ нейрондық желілерді қолдана отырып, ластаушы заттарды аумақтық бөлу карталарын құру.

Методы исследования (на русском) : В основу методологии положены научные разработки специалистов Республики Казахстан, Российской Федерации и стран дальнего зарубежья в области управления рисками и экологического мониторинга. Разработка теоретических положений базируется на применении метода нейросетей, математической статистики, визуализации. Проведение экспериментальных исследований осуществляется с использованием современных физико-химических методов исследования (рентгеноспектральный, хроматографический, методы электронной микроскопии), а также классических методов химического анализа.

Методы исследования (на казахском) : Әдістеме Қазақстан Республикасы, Ресей Федерациясы және алыс шет елдердің тәуекелдерді басқару және экологиялық мониторинг саласындағы мамандарының ғылыми әзірлемелеріне негізделген. Теориялық ережелерді әзірлеу нейрондық желі әдісін, математикалық статистиканы, визуализацияны қолдануға негізделген. Эксперименттік зерттеулер жүргізу зерттеудің қазіргі физика-химиялық әдістерін (рентгеноспектральды, хроматографиялық, электронды микроскопия әдістері), сондай-ақ химиялық талдаудың классикалық әдістерін пайдалана отырып жүзеге асырылады.

Obtained results and novelty (in Russian) : За отчетный период проведен аналитический обзор методик оценки загрязненности промышленных зон и составлена карта отбора проб с зонированием территории промзон г. Павлодар. Подобраны стандарты для рентгенофлуоресцентного анализа почвы и снежного покрова, выполнен их физико-химический анализ. Разработана и протестирована нейронная сеть для построения электронных карт распределения элементов-загрязнителей; создана база данных для обучения модели, проведен анализ полноты данных и оптимизация гиперпараметров. Составлены электронные карты распределения загрязнителей и интегральная эколого-техногеохимическая карта г. Павлодар, выполнена комплексная оценка экологического состояния города. Результаты опубликованы в 5 научных трудах: 1 статья в SCOPUS, 2 тезиса на международных конференциях, 1 учебно-методическое пособие; также получено авторское свидетельство на комплекс карт загрязнителей промзоны. Новизна работы заключается в создании комплексного подхода к оценке экологического состояния промышленных зон, включающего модель машинного обучения и разработку эколого-техногеохимической карты, которая позволяет уточнить источники загрязнения и улучшить прогнозирование экологической ситуации.

Obtained results and novelty (in Kazakh) : Есептік кезеңде өнеркәсіптік аймақтардың ластануын бағалау әдістемелеріне талдау жасалып, Павлодар қаласының өнеркәсіптік аймақтарында сынама алу картасы әзірленді. Топырақ пен қар жамылғысын рентгендік-флуоресценттік талдауға арналған стандарттар таңдалып, олардың физика-химиялық талдауы орындалды. Ластаушы элементтерді тарату бойынша электронды карталарды құру үшін нейрондық желі жасалып, сыналды; модельді оқыту үшін деректер базасы құрылды, деректердің толықтығы мен гиперпараметрлерді оңтайландыру талданды. Ластаушы элементтерді тарату электронды карталары мен Павлодар қаласының интегралды эколого-техногеохимиялық картасы жасалды, қаланың экологиялық жағдайына кешенді баға берілді. Зерттеу нәтижелері 5 ғылыми еңбекте жарияланды: SCOPUS базасындағы 1 мақала, 2 халықаралық конференция тезисі және 1 оқу-әдістемелік құрал; сонымен қатар, өнеркәсіптік аймақтағы ластаушы элементтердің картасына авторлық куәлік алынды. Жұмыстың жаңашылдығы өнеркәсіптік аймақтардың экологиялық жағдайын бағалауға арналған кешенді тәсілдің жасалуында, оған ластану аймақтарын бағалауға арналған машиналық оқыту моделі мен эколого-техногеохимиялық картаны құру кіреді. Бұл тәсіл ластану көздерін нақтылауға және экологиялық жағдайды болжау сапасын арттыруға мүмкіндік береді.

The main constructive and technical economic indicators (in Russian) : 1) Произведен анализ элементного состава почвы промзон г. Павлодар методом XRF. Были получены данные по содержанию элементов: Na – 3,1%, Mg – 5,4%, Al – 0,06%, Si – 47,7%, P – 0%, S – 0%, Cl – 1,1%, K – 0,9%, Ca – 0,34%, Pd – 1,4%, Ba – 0,03%, Ti – 0,1%, Te – 0%, Cs – 0%, Zn – 0,012%, La – 0,001%, V – 0,001%, Cr – 0,013%, Fe – 7,22%, Mn – 0%, Co – 0,002%, Ni – 0,003%, Cu – 0,014%, Ta – 0%, Sr – 0,2%, Pb – 0,14%, Sn – 0%, Sb – 0%, Sc – 0%, I – 0,007%. 2) Произведен анализ элементного состава снегового покрова промзон г. Павлодар методом XRF. Исследовали твердый осадок, полученный фильтрованием проб снега. Были получены данные по содержанию элементов: Na – 2,7%, Mg – 6,8%, Al – 0,01%, Si – 46,8%, P – 0%, S – 0%, Cl – 0,6%, K – 1%, Ca – 0,15%, Pd – 2%, Ba – 0,01%, Ti – 0,4%, Te – 0%, Cs – 0%, Zn – 0,003%, La – 0,003%, V – 0,002%, Cr – 0,002%, Fe – 6,48%, Mn – 0%, Co – 0%, Ni – 0,003%, Cu – 0,005%, Ta – 0,0005%, Sr – 0,12%, Pb – 0,02%, Sn – 0%, Sb – 0,0003%, Sc – 0,002%, I – 0,003%. 3) Разработана модель нейронной сети для построения электронных карт распределения элементов-загрязнителей. Для обучения нейронной сети использовались пробы, полученные из почвы, по различным элементах-загрязнителям (Ti, V, Cr, Mn, Fe, Co, Ni, Cu, Zn, Si, Sb, Sn, Pb, Cd, Cs), взятые в различных участках промзон города. 4) Получен комплекс карт распределения элементов-загрязнителей на территории промышленных зон г. Павлодар. Зарегистрировано авторское свидетельство на комплекс карт.

The main constructive and technical economic indicators (in Kazakh) : 1) Павлодар қаласының өндірістік аймақтарындағы топырақтың элементтік құрамы XRF әдісімен талданды. Элементтердің құрамы бойынша деректер алынды: Na – 3,1%, Mg – 5,4%, Al – 0,06%, Si – 47,7%, P – 0%, S – 0%, Cl – 1,1%, K – 0,9%, Ca – 0,34%, Pd – 1,4%, Ba – 0,03%, Ti – 0,1%, Te – 0%, Cs – 0%, Zn – 0,012%, La – 0,001%, V – 0,001%, Cr – 0,013%, Fe – 7,22%, Mn – 0%, Co – 0,002%, Ni – 0,003%, Cu – 0,014%, Ta – 0%, Sr – 0,2%, Pb – 0,14%, Sn – 0%, Sb – 0%, Sc – 0%, I – 0,007%. 2) Павлодар қаласының өндірістік аймақтарындағы қар жамылғысының элементтік құрамы XRF әдісімен талданды. Ерітінді қар үлгілерінен алынған қатты тұнба зерттелді. Элементтердің құрамы бойынша деректер алынды: Na – 2,7%, Mg – 6,8%, Al – 0,01%, Si – 46,8%, P – 0%, S – 0%, Cl – 0,6%, K – 1%, Ca – 0,15%, Pd – 2%, Ba – 0,01%, Ti – 0,4%, Te – 0%, Cs – 0%, Zn – 0,003%, La – 0,003%, V – 0,002%, Cr – 0,002%, Fe – 6,48%, Mn – 0%, Co – 0%, Ni – 0,003%, Cu – 0,005%, Ta – 0,0005%, Sr – 0,12%, Pb – 0,02%, Sn – 0%, Sb – 0,0003%, Sc – 0,002%, I – 0,003%. 3) Элементтік ластаушылардың электронды карталарын құру үшін нейрондық желі моделі жасалды. Нейрондық желіні оқыту үшін өндірістік аймақтардың әртүрлі учаскелерінен алынған топырақ үлгілері, сондай-ақ Ti, V, Cr, Mn, Fe, Co, Ni, Cu, Zn, Si, Sb, Sn, Pb, Cd, Cs сияқты ластаушы элементтер пайдаланылды. 4) Павлодар қаласының өндірістік аймақтарындағы элементтік ластаушылардың таралу карталарының кешені алынды. Карталар кешеніне авторлық куәлік тіркелген.

Level of implementation (in Russian) : не внедрено

Level of implementation (in Kazakh) : енгізілмеген

Efficiency (in Russian) : Эффективность проекта заключается в инновационном подходе к анализу и прогнозированию протранственного распределения загрязнителей на исследуемой территории. Для прогнозирования концентрации загрязняющих элементов в почве на основе географических координат в рамках экологического мониторинга Павлодарской области была разработана модель глубокого обучения. Цель этой модели заключается в прогнозировании уровней концентрации различных загрязнителей на основе входных географических координат. Модель решает задачу регрессии с несколькими выходами, где входные данные представляют собой пространственные координаты, а выходные данные представляют собой концентрации каждого элемента. Оптимальными гиперпараметрами при двух входных нейронах являются следующие: количество нейронов на 1-м слое – 128, количество нейронов на 2-м слое – 512, шаг обучения – 0.0001, при этом достигаются минимальные значения ошибки MSE – 11.8% и MAE – 2.2%.

Efficiency (in Kazakh) : Жобаның тиімділігі зерттелетін аумақта ластағыштардың кеңістіктен бөлінуін талдау мен болжаудың инновациялық тәсілінен тұрады. Павлодар облысының экологиялық мониторингі шеңберінде географиялық координаттар негізінде топырақта ластаушы элементтердің шоғырлануын болжау үшін терең оқыту моделі әзірленді. Бұл модельдің мақсаты кіріс географиялық координаттары негізінде әртүрлі ластағыштардың шоғырлану деңгейін болжау болып табылады. Модель регрессия тапсырмасын бірнеше шығыстары бар шешеді, мұнда кіріс деректері кеңістіктік координаталарды білдіреді, ал шығу деректері әрбір элементтің шоғырлануын білдіреді. Екі кіріс нейроны кезінде оңтайлы гиперпараметрлер мыналар болып табылады: 1-ші қабаттағы нейрондар саны - 128, 2-ші қабаттағы нейрондар саны - 512, оқу қадамы - 0.0001, бұл ретте қателіктердің ең аз мәндеріне қол жеткізіледі MSE - 11.8% және MAE- 2.2%.

Field of application (in Russian) : Ожидаемые результаты исследования внесут вклад в развитие науки об окружающей среде, в том числе будут развиты методические аспекты изучения пространственного распределения загрязнителей, а также прикладного компьютерного моделирования и прогнозирования в экологической сфере. Развитие данного направления затрагивает смежные области науки и технологии, такие как экология, геохимия, машинное обучение, ГИС.

Field of application (in Kazakh) : Зерттеудің күтілетін нәтижелері қоршаған орта туралы ғылымның дамуына үлес қосады, оның ішінде ластауыштардың кеңістікте таралуын зерттеудің әдістемелік аспектілері, сондай-ақ экологиялық салада қолданбалы компьютерлік модельдеу мен болжау дамытылатын болады. Бұл бағыттың дамуы экология, геохимия, машиналық оқыту, ГАЖ сияқты ғылым мен технологияның аралас салаларына әсер етеді.