МОДЕЛИРОВАНИЕ ГОРОДСКОГО КЛИМАТА И ЗАГРЯЗНЕНИЯ ВОЗДУХА В АЛМАТЫ: ЧИСЛЕННЫЙ ПОДХОД МОДЕЛИРОВАНИЯ

Целью данного исследования является анализ пространственного и временного распределения температуры и концентрации загрязняющих веществ в воздухе в городской атмосфере г. Алматы с использованием
методов численного моделирования. Двумерная модель адвекции-диффузии была разработана для моделирования суточной динамики на территории площадью около 80 квадратных километров. Модель включает в себя ключевые физические процессы, такие как ветровой транспорт, турбулентная диффузия и локализованные источники выбросов, которые типичны для плотной городской среды. Результаты моделирования демонстрируют более плавное пространственное распределение температуры, в значительной степени обусловленное циклами солнечной радиации, в отличие от высоко локализованных пиков концентраций загрязняющих веществ, связанных с антропогенной деятельностью, такой как транспорт и промышленность. Эти контрастные поведения подчеркивают необходимость дифференцированных стратегий смягчения последствий. Результаты исследования предлагают важные идеи для городского планирования и разработки эффективной политики управления качеством воздуха. Предлагаемая модель представляет собой практический инструмент для понимания динамики окружающей среды и оценки потенциального воздействия мер по контролю загрязнения на сложных городских территориях.

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).