О применении подхода Land Use Regression для моделирования площадного загрязнения снега при малом количестве точек наблюдения

Abstract

Целью работы является оценка применимости подхода Land Use Re-gression (LUR - регрессия землепользования, подход, который применяется за рубежом для описания загрязнения атмосферы на основе данных наблюдений и статистической модели), для моделирования загрязнения снежного покрова, являющегося индикатором среднего за сезон загрязнения атмосферы, на основе данных исследования загрязнения снега в малом количестве точек наблюдений, при наличии нескольких источников загрязнения атмосферы. Ранее было показано, что подход LUR позволяет создать адекватную модель загрязнения снега при наличии на площади одного мощного источника выбросов (трубы медеплавильного завода). В настоящем исследовании получено, что подход LUR может быть использован и в данной ситуации, однако, точность полученной модели оказалась недостаточной. Основной причиной этого, по-видимому, является малое количество точек опробования (38, в отличие от 244 в предшествующем исследовании). Кроме того, возможно, что качество модели может быть улучшено за счет изменения конфигурации сети наблюдений при том же количестве точек опробования.

The aim of the work is to evaluate the applicability of the Land Use Re-gression approach (LUR - land-use regression approach, which is used abroad to describe the pollution of the atmosphere on the basis of observational data and the statistical model) for the modeling of snow cover pollution, which is used as an indicator of the air pollution, on the basis of data on snow samples study in a small number of observation points, in presence of multiple sources of emissions. Previously, it was shown that the LUR approach allows creation an adequate model of snow contamination in the presence a powerful source of emissions (pipes smelter) on the study area. The present study found that the LUR approach can also be used in this situation, however, the accuracy of the resulting model was insufficient. The main reason for this appears to be a small number of sam-pling points (38, unlike the previous study where there were 244). It is also possible that the quality of the model can be improved by changing the configuration of the observations network with the same number of sampling points.