АЛМАТЫ ҚАЛАСЫНДАҒЫ ҚАЛА КЛИМАТЫН ЖӘНЕ АУА ЛАСТАНУЫН СИМУЛЯЦИЯЛАУ: САНДЫҚ МОДЕЛЬДЕУ ТӘСІЛІ

Бұл зерттеудің мақсаты – сандық модельдеу әдістерін қолдана отырып,  Алматы қаласының атмосферасындағы ауаны ластаушы заттардың  концентрациясы мен температураның кеңістіктік және уақыттық таралуын талдау. Шамамен 80 шаршы километр аумақта тәуліктік  динамиканы ұқсату үшін екі өлшемді адвекция-диффузия моделі әзірленді. Модель желмен басқарылатын көлік, турбулентті диффузия және тығыз қалалық орталарға тән локализацияланған эмиссия көздері сияқты негізгі физикалық процестерді қамтиды. Модельдеу нәтижелері көлік және өнеркәсіп сияқты антропогендік әрекеттермен байланысты  ластаушы заттардың шоғырлануында жоғары локализацияланған  шыңдар байқалатынын, ал температураның кеңістікте біркелкі таралуы негізінен күн радиациясының циклдарымен анықталатынын көрсетті. Бұл  екі түрлі мінез-құлық сараланған жұмсарту стратегияларының  қажеттілігін айқындайды. Зерттеу нәтижелері қала құрылысын жоспарлау  және ауа сапасын басқарудың тиімді саясатын әзірлеу үшін  маңызды түсініктер береді. Ұсынылған модель күрделі қалалық рельеф  жағдайларында қоршаған ортаның динамикасын түсінуге және  ластануды бақылау шараларының ықтимал әсерін  бағалауға арналған  практикалық құрал ретінде қызмет етеді.

1. Ivanov, Voynikova D., Stoimenova M., Gocheva-Ilieva S., Iliyev I. Random forests models of particulate matter PM10: A case study: AIP Conference Proceedings (Jan. 2018). https://doi.org/10.1063/1.5064879.

2. Dzaferovic E., Karaduzovic-Hadziabdic K. Air Quality Prediction Using Machine Learning Methods: A Case Study of Bjelave Neighborhood, Sarajevo, BiH in Lecture Notes in Networks and Systems. – Springer International Publishing, 2020. – P. 423. https://doi.org/10.1007/978-3-030-54765-3_29.

3. Zhu J., Li B., Chen H. AQI multi-point spatiotemporal prediction based on K-mean clustering and RNN-LSTM model // Journal of Physics: Conference Series. – 2021. – Vol. 2006. – No.1. – P. 012022. https://doi.org/10.1088/1742-6596/2006/1/012022.

4. Zaurbekov N.S., Aidosov A., Zaurbekova G., Zaurbekova N. Impurity distribution in foggy and low cloud cover conditions: E3S Web of Conferences. – Jan. 2023. – Vol. 420. – P. 09020. https://doi.org/10.1051/e3sconf/202342009020.

5. Zhang X., Jiang X., Li Y. Prediction of air quality index based on the SSA-BiLSTM-LightGBM model // Scientific Reports. – Apr. 2023. – Vol. 13. – No. 1. https://doi.org/10.1038/s41598-023-32775-2.

6. Tessarotto M., Tessarotto M., Abe T. Modelling of Anthropogenic Pollutant Diffusion in the Atmosphere and Applications to Civil Protection Monitoring: AIP Conference Proceedings. – Jan. 2008. https://doi.org/10.1063/1.3076526.

7. Zhou G., Yu Z., Gu Y., Chang L. Numerical Air Quality Forecast over Eastern China: Development, Uncertainty and Future: IntechOpen eBooks. – IntechOpen, 2019. https://doi.org/10.5772/intechopen.79304.

8. Malhotra M., Walia S., Lin C., Aulakh I.K., Agarwal S. A systematic scrutiny of artificial intelligencebased air pollution prediction techniques, challenges, and viable solutions // Journal of Big Data. – Oct. 2024. – Vol. 11. – No. 1. https://doi.org/10.1186/s40537-024-01002-8.

9. Saheer L.B., Bhasy A., Maktabdar M., Zarrin J. Data-Driven Framework for Understanding and Predicting Air Quality in Urban Areas // Frontiers in Big Data. – Mar. 2022. – Vol. 5. https://doi.org/10.3389/fdata.2022.822573.

10. Han Y., Zhang Q., V. O. K. Li, J. C. K. Lam. Deep-AIR: A Hybrid CNN-LSTM Framework for Air Quality Modeling in Metropolitan Cities // arXiv (Cornell University). – Jan. 2021. https://doi.org/10.48550/arxiv.2103.14587.

11. Song J., Han K. Deep-MAPS: Machine Learning based Mobile Air Pollution Sensing // arXiv (Cornell University). – Jan. 2019. https://doi.org/10.48550/arxiv.1904.12303.

12. Suel E. et al. What You See Is What You Breathe? Estimating Air Pollution Spatial Variation Using Street-Level Imagery // Remote Sensing. – Jul. 2022. – Vol. 14. – No. 14. – P. 3429. https://doi.org/10.3390/rs14143429.

13. Bravo M.A., Fuentes M., Zhang Y., Burr M.J., Bell M.L. Comparison of Exposure Estimation Methods for Air Pollutants: Ambient Monitoring Data and Regional Air Quality Simulation // ISEE Conference Abstracts. – Sep. 2011. – Vol. 2011. – No. 1. https://doi.org/10.1289/isee.2011.00073.

14. Cromar K. et al. Air Pollution Monitoring for Health Research and Patient Care. An Official American Thoracic Society Workshop Report // Annals of the American Thoracic Society. – Oct. 2019. – Vol. 16. – No. 10. – P. 1207. https://doi.org/10.1513/annalsats.201906-477st.

15. Zarrar H., Dyo V. Drive-by Air Pollution Sensing Systems: Challenges and Future Directions // IEEE Sensors Journal. – Aug. 2023. – Vol. 23. – No. 19. – P. 23692. https://doi.org/10.1109/jsen.2023.3305779.

16. Naizabayeva L., Nurzhanov Ch., Orazbekov Zh., Tleuberdieva G. Corporate Environmental Information System Data Storage Development and Management (Environmental Information System) // Open Computer Science. – 2017. – Vol. 7. – P. 29–35.

17. Kolesnikova K., Naizabayeva L., Myrzabayeva A., Lisnevskyi R. Use the neural networks in prediction of environmental processes: Proc. of the 2024 IEEE 4th International Conference on Smart Information Systems and Technologies (SIST). – Almaty, Kazakhstan, 2024. – P. 625–630. https://doi.org/10.1109/SIST61555.2024.10629330.

18. Naizabayeva L., Zaitov D., Seilova N. Integrating smart traffic systems with real-time air quality monitoring to minimize emissions and improve urban health // Procedia Computer Science. – 2024. – Vol. 251. – P. 603–608. https://doi.org/10.1016/j.procs.2024.11.156.

19. Naizabayeva L., Zakirova G. Using data analysis methods for predicting the concentration of toxic elements in soil: Proc. of the 12th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS). – Dortmund, Germany, 2023. – P. 573–579. https://doi.org/10.1109/IDAACS58523.2023.10348723.

20. Khrutba V., Zyuzyun V., Spasichenko O., Bilichenko N., Wojcik W., Tergeusizova A., Mamyrbaev O. Application of system analysis for the investigation of environmental friendliness of urban transport systems: Biomass as Raw Material for the Production of Biofuels and Chemicals. – 2021. – P. 19. https://doi.org/10.1201/9781003177593-19.

21. Rabosh I., Khrutyba V.A., Kobzysta O.P. Features of the study of the environmental situation around the objects of road transport infrastructure // Bulletin of the National Transport University. – 2021. – Vol. 3. – No. 50. – P. 170–179. https://doi.org/10.33744/2308-6645-2021-3-50-170-179.

22. URL: https://www.kazhydromet.kz (accessed: 07.02.2025).