МОДЕЛЮВАННЯ РІВНЯ ЗАБРУДНЕННЯ ПОВІТРЯ ЯК ІНДИКАТОРА ВПЛИВУ ЕКОЛОГО-ЕКОНОМІЧНОЇ СИСТЕМИ РЕГІОНУ НА СУСПІЛЬНИЙ ДОБРОБУТ
DOI:
https://doi.org/10.32782/ecovis/2026-3-7Ключові слова:
машинне навчання, ансамблеві методи, ExtraTrees, тверді частинки, прогнозування забруднення повітря, інтенсивність транспортного потоку, екологічний моніторинг, еколого-економічна корисність, суспільний добробутАнотація
Забруднення повітря у великих містах становить серйозну загрозу для соціального добробуту через свій вплив на здоров’я населення та продуктивність праці, тоді як створення щільної мережі контрольних вимірювальних станцій залишається фінансово недоступним для більшості муніципальних бюджетів. Мета дослідження полягає в розширенні та емпіричній перевірці методології короткострокового прогнозування концентрацій частинок у атмосфері (PM2,5 та PM10) на основі аналізу даних про транспорт та навколишнє середовище з використанням методів машинного навчання, зокрема ансамблевого методу «Екстремально рандомізованих дерев» (Extremely Randomised Trees). Ця методологія була попередньо розроблена авторами на основі даних про місто Нью-Йорк. Внесок авторів полягає в уточненні структури змінних із часовим лагом, формуванні показників економічної активності та перевірці цього підходу в іншому географічному контексті. Наукова новизна даної роботи полягає у запровадженні трикомпонентної структури часових лагів, що охоплює інтервали в одну, дві та три години; у розробці показників економічної активності на основі взаємодії інтенсивності дорожнього руху з добовим профілем міської активності; а також у підтвердженні можливості застосування цього підходу до двох географічно віддалених міст. Емпіричне дослідження було проведено на основі даних про Київ, що містили 126 000 погодинних спостережень з десяти пунктів моніторингу за 2023–2024 роки. На незалежній тестовій вибірці модель дала пояснення 87,1 % дисперсії дрібної фракції та 85,0 % дисперсії грубої фракції, при цьому середні абсолютні похибки становили відповідно 1,55 та 2,73 мікрограма на кубічний метр. Порівняння з результатами, отриманими для Нью-Йорка, показує, що моделюючий ланцюжок зберігає високу точність, незважаючи на відмінності в кліматичних умовах, транспортній інфраструктурі та структурі економічної діяльності цих двох міст. Практичне значення отриманих результатів полягає в можливості збереження менш щільної мережі вимірювальних станцій, своєчасного попередження вразливих груп населення та попередньої оцінки транспортної та екологічної політики шляхом моделювання сценаріїв, що в сукупності створює основу для оцінки еколого-економічної корисності регіону в контексті соціального добробуту.
Посилання
Arsov M., Zdravevski E., Lameski P., Corizzo R., Koteli N., Gramatikov S., Mitreski K., Trajkovik V. (2021) Multi-horizon air pollution forecasting with deep neural networks. Sensors, vol. 21, no. 4, 1235. DOI: https://doi.org/10.3390/s21041235
Breiman L. (2001) Random forests. Machine Learning, vol. 45, no. 1, pp. 5–32. DOI: https://doi.org/10.1023/A:1010933404324
European Environment Agency (2026) Sustainability of Europe's mobility systems 2025. Air pollution section. Available at: https://www.eea.europa.eu/en/analysis/publications/sustainability-of-europes-mobility-systems-2025/air-pollution (accessed September 17, 2026)
Geurts P., Ernst D., Wehenkel L. (2006) Extremely randomized trees. Machine Learning, vol. 63, no. 1, pp. 3–42. DOI: https://doi.org/10.1007/s10994-006-6226-1
Health Effects Institute, Institute for Health Metrics and Evaluation, UNICEF (2024) State of Global Air 2024. Special Report. Boston, MA: Health Effects Institute. Available at: https://www.healthdata.org/sites/default/files/2024-06/soga-2024-report.pdf (accessed September 10, 2026)
Karagulian F., Belis C. A., Dora C. F. C., Prüss-Ustün A. M., Bonjour S., Adair-Rohani H., Amann M. (2015) Contributions to cities' ambient particulate matter (PM): A systematic review of local source contributions at global level. Atmospheric Environment, vol. 120, pp. 475–483. DOI: https://doi.org/10.1016/j.atmosenv.2015.08.087
Kostadinov M., Zdravevski E., Lameski P., Coelho P. J., Stojkoska B., Herzog M. A., Trajkovik V. (2024) Forecasting air pollution with deep learning with a focus on impact of urban traffic on PM10 and noise pollution. PLOS ONE, vol. 19, no. 12, e0313356. DOI: https://doi.org/10.1371/journal.pone.0313356
Kumar P., Morawska L., Martani C., Biskos G., Neophytou M., Di Sabatino S., Bell M., Norford L., Britter R. (2015) The rise of low-cost sensing for managing air pollution in cities. Environment International, vol. 75, pp. 199–205. DOI: https://doi.org/10.1016/j.envint.2014.11.019
Popov O. O., Iatsyshyn A. V., Kovach V. O., Artemchuk V. O., Kameneva I. P., Taraduda D. V., Sobyna V. O., Sokolov D. L., Dement M. O., Yatsyshyn T. M. (2020) Risk Assessment for the Population of Kyiv, Ukraine as a Result of Atmospheric Air Pollution. Journal of Health and Pollution, vol. 10, no. 25, 200303. DOI: https://doi.org/10.5696/2156-9614-10.25.200303
Redmon J., Divvala S., Girshick R., Farhadi A. (2016) You only look once: unified, real-time object detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, pp. 779–788. DOI: https://doi.org/10.1109/CVPR.2016.91
SaveEcoBot (2024) API dostupu do danykh pro yakist povitria v Ukraini [API for accessing air quality data in Ukraine]. Available at: https://www.saveecobot.com/static/api (in Ukrainian)
van Donkelaar A., Martin R. V., Brauer M., Hsu N. C., Kahn R. A., Levy R. C., Lyapustin A., Sayer A. M., Winker D. M. (2016) Global estimates of fine particulate matter using a combined geophysical-statistical method with information from satellites, models, and monitors. Environmental Science & Technology, vol. 50, no. 7, pp. 3762–3772. DOI: https://doi.org/10.1021/acs.est.5b05833
World Health Organization (2022) Billions of people still breathe unhealthy air: new WHO data. Available at: https://www.who.int/news/item/04-04-2022-billions-of-people-still-breathe-unhealthy-air-new-who-data (accessed September 10, 2026)
Yaroshenko O., Semenovych B., Hryhorkiv V., Hryhorkiv M. (2025) Zastosuvannia mashynnoho navchannia ta kompiuternoho zoru dlia prohnozuvannia pokaznykiv zabrudnennia povitria yak faktoru dobrobutu suspilstva [Application of machine learning and computer vision for forecasting air pollution indicators as a factor of social welfare]. Naukovyi visnyk Chernivetskoho natsionalnoho universytetu imeni Yuriia Fedkovycha. Seriia Ekonomika – Scientific Journal of Yuriy Fedkovych Chernivtsi National University. Economics, no. 1, pp. 70–77. DOI: https://doi.org/10.32782/ecovis/2025-1-11 (in Ukrainian)
Zheng Y., Liu F., Hsieh H. P. (2013) U-Air: When urban air quality inference meets big data. Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 1436–1444. DOI: https://doi.org/10.1145/2487575.2488188
Arsov M., Zdravevski E., Lameski P. et al. Multi-horizon air pollution forecasting with deep neural networks. Sensors. 2021. Vol. 21, № 4. 1235. DOI: https://doi.org/10.3390/s21041235
Breiman L. Random forests. Machine Learning. 2001. Vol. 45, № 1. P. 5–32. DOI: https://doi.org/10.1023/A:1010933404324
European Environment Agency. Sustainability of Europe's mobility systems 2025 : web report. Розділ «Air pollution». 2026. URL: https://www.eea.europa.eu/en/analysis/publications/sustainability-of-europes-mobility-systems-2025/air-pollution (дата звернення: 17.09.2026).
Geurts P., Ernst D., Wehenkel L. Extremely randomized trees. Machine Learning. 2006. Vol. 63, № 1. P. 3–42. DOI: https://doi.org/10.1007/s10994-006-6226-1
Health Effects Institute, Institute for Health Metrics and Evaluation, UNICEF. State of Global Air 2024. Special Report. Boston, MA : Health Effects Institute, 2024. URL: https://www.healthdata.org/sites/default/files/2024-06/soga-2024-report.pdf (дата звернення: 10.09.2026).
Karagulian F., Belis C. A., Dora C. F. C. et al. Contributions to cities' ambient particulate matter (PM): A systematic review of local source contributions at global level. Atmospheric Environment. 2015. Vol. 120. P. 475–483. DOI: https://doi.org/10.1016/j.atmosenv.2015.08.087
Kostadinov M., Zdravevski E., Lameski P. et al. Forecasting air pollution with deep learning with a focus on impact of urban traffic on PM10 and noise pollution. PLOS ONE. 2024. Vol. 19, № 12. e0313356. DOI: https://doi.org/10.1371/journal.pone.0313356
Kumar P., Morawska L., Martani C. et al. The rise of low-cost sensing for managing air pollution in cities. Environment International. 2015. Vol. 75. P. 199–205. DOI: https://doi.org/10.1016/j.envint.2014.11.019
Popov O. O., Iatsyshyn A. V., Kovach V. O. et al. Risk Assessment for the Population of Kyiv, Ukraine as a Result of Atmospheric Air Pollution. Journal of Health and Pollution. 2020. Vol. 10, № 25. 200303. DOI: https://doi.org/10.5696/2156-9614-10.25.200303
Redmon J., Divvala S., Girshick R., Farhadi A. You only look once: unified, real-time object detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA, 2016. P. 779–788. DOI: https://doi.org/10.1109/CVPR.2016.91
SaveEcoBot. API для доступу до даних про якість повітря в Україні. 2024. URL: https://www.saveecobot.com/static/api
van Donkelaar A., Martin R. V., Brauer M. et al. Global estimates of fine particulate matter using a combined geophysical-statistical method with information from satellites, models, and monitors. Environmental Science & Technology. 2016. Vol. 50, № 7. P. 3762–3772. DOI: https://doi.org/10.1021/acs.est.5b05833
World Health Organization. Billions of people still breathe unhealthy air: new WHO data. 2022. URL: https://www.who.int/news/item/04-04-2022-billions-of-people-still-breathe-unhealthy-air-new-who-data (дата звернення: 10.09.2026).
Ярошенко О., Семенович Б., Григорків В., Григорків М. Застосування машинного навчання та комп'ютерного зору для прогнозування показників забруднення повітря як фактору добробуту суспільства. Науковий вісник Чернівецького національного університету імені Юрія Федьковича. Серія Економіка. 2025. № 1. С. 70–77. DOI: https://doi.org/10.32782/ecovis/2025-1-11
Zheng Y., Liu F., Hsieh H. P. U-Air: When urban air quality inference meets big data. Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2013. P. 1436–1444. DOI: https://doi.org/10.1145/2487575.2488188
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Василь Григорків, Олена Ярошенко, Богдан Семенович, Марія Григорків
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
