Разработка автоматизированной системы и методик для мониторинга и прогнозирования эколого-метеорологических параметров атмосферного воздуха тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Волкова Елена Анатольевна

• Волкова Елена Анатольевна
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Волкова Елена Анатольевна

ВВЕДЕНИЕ

ГЛАВА 1. ИССЛЕДОВАНИЕ И АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ ПРОБЛЕМЫ ПОСТРОЕНИЯ АВТОМАТИЗИРОВАННЫХ СИСТЕМ МОНИТОРИНГА АТМОСФЕРНОГО ВОЗДУХА И ОБОСНОВАНИЕ НЕОБХОДИМОСТИ ИХ СОВЕРШЕНСТВОВАНИЯ

1.1. Классификация методов мониторинга и контроля качества АВ

1.2. Аналитический обзор автоматизированных систем мониторинга атмосферного воздуха

1.3. Анализ алгоритмов и способов информационного взаимодействия в автоматизированных системах экологического мониторинга

1.4. Анализ методов прогнозирования в автоматизированных системах мониторинга атмосферного воздуха

1.5. Выводы по главе 1 и постановка задач исследования

ГЛАВА 2. РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ МОНИТОРИНГА АТМОСФЕРНОГО ВОЗДУХА

2.1. Разработка структуры и компонентов автоматизированной системы мониторинга природно-технической геосистемы

2.2. Разработка методики мониторинга экологических и метеорологических параметров атмосферного воздуха природно-технической геосистемы

2.2.1. Методика мониторинга атмосферного воздуха

2.2.2. Методика мониторинга атмосферного воздуха в адаптивном режиме

2.2.3. Методика мониторинга атмосферного воздуха в комбинированном режиме

2.2.4. Методика мониторинга атмосферного воздуха в кластерном режиме

2.3. Оценка эффективности методики мониторинга атмосферного воздуха

Выводы по главе

ГЛАВА 3. РАЗРАБОТКА МЕТОДИКИ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ АТМОСФЕРНОГО ВОЗДУХА НА ОСНОВЕ МОДЕЛЕЙ ВРЕМЕННЫХ РЯДОВ С

ПРИМЕНЕНИЕМ НЕЙРОСЕТЕВЫХ РЕШЕНИЙ

3.1. Научное обоснование применимости математической модели для прогнозирования экологических и метеорологических параметров атмосферного воздуха

3.2 Разработка методики прогнозирования состояния атмосферного воздуха природно-

технической геосистемы

3.3. Описание эксперимента на основе разработанной методики прогнозирования

экологических и метеорологических параметров окружающей среды

3.4 Оценка эффективности разработанной методики прогнозирования

Вывод по главе

ГЛАВА 4. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ И МАКЕТИРОВАНИЕ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ МОНИТОРИНГА АТМОСФЕРНОГО ВОЗДУХА

4.1. Разработка имитационной модели для сбора, обработки, хранения и передачи метеорологической и экологической информации

4.2. Выбор модулей для реализации концентратора данных

4.3. Разработка макета устройства концентратора данных автоматизированной системы мониторинга атмосферного воздуха

4.3.1. Разработка макета концентратора данных автоматизированной системы мониторинга атмосферного воздуха

4.3.2. Разработка макета модульного концентратора данных автоматизированной системы мониторинга атмосферного воздуха для кластерного режима работы

4.4. Рекомендации по применению и использованию автоматизированной системы

мониторинга атмосферного воздуха

Выводы по главе

ВЫВОДЫ ПО РАБОТЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ 1. ФУНКЦИОНАЛЬНАЯ СХЕМА ИП АСМАВ

ПРИЛОЖЕНИЕ 2. АКТЫ ВНЕДРЕНИЯ И ИСПОЛЬЗОВАНИЯ

Введение диссертации (часть автореферата) на тему «Разработка автоматизированной системы и методик для мониторинга и прогнозирования эколого-метеорологических параметров атмосферного воздуха»

ВВЕДЕНИЕ

Актуальность работы. В настоящее время наблюдается рост экологической опасности для природно-технической геосистемы (ПТГ), который происходит в основном за счет увеличения техногенной нагрузки на атмосферу, в частности на атмосферный воздух (АВ). В связи с этим совершенствование систем экологического и метеорологического мониторинга АВ должно обеспечивать получение максимально полной и своевременной информации о его состоянии. Это позволит принимать необходимые корректирующие технические и управленческие решения.

Анализ возможностей известных автоматизированных систем мониторинга атмосферного воздуха (АСМАВ) показывает, что они не удовлетворяют требованиям современных измерительных цифровых платформ. Применяемые алгоритмические и программно-аппаратные средства имеют ряд недостатков, которые сдерживают широкое внедрение и возможность масштабирования экологических и метеорологических комплексов мониторинга ПТГ. Серьезным недостатком известных АСМАВ является отсутствие единого подхода к их построению и развертыванию, что приводит к проблемам информационного взаимодействия различных систем или компонентов одной системы между собой. Как правило, известные системы не имеют возможности гибкого масштабирования, а также ограниченны в прогнозировании экологических и метеорологических параметров АВ.

Функционирование АСМАВ определяется алгоритмическим обеспечением работы основных функциональных блоков сбора, обработки, хранения и передачи экологических и метеорологических параметров АВ в центр обработки. Анализ данных алгоритмов показал, что сбор и обработка значений экологических и метеорологических параметров АВ выполняются с фиксированными интервалами времени между каждым замером. Это сдерживает применение адаптивного подхода к работе функциональных блоков АСМАВ. Более того, алгоритмическое обеспечение не предполагает расширения системы в процессе эксплуатации и модульность работы системы, что сдерживает ее развитие в целом.

Анализ методов прогнозирования, используемых в известных АСМАВ, указывает на ряд ограничений, связанных с трудоемкостью реализации и высокой вычислительной сложностью, требующих больших вычислительных мощностей;

небольшим количеством измеряемых экологических или метеорологических параметров АВ; ограниченной направленностью применения и относительно низкой точностью прогнозирования.

Таким образом, возникает актуальная научная задача, которая заключается в разработке методики обработки экологических и метеорологических параметров АВ с возможностью адаптивной работы основных функциональных блоков АСМАВ, а также в разработке новой методики прогнозирования экологических и метеорологических параметров АВ. Решение указанной научной задачи позволит усовершенствовать АСМАВ, повысив эффективность ее элементов и системы в целом, а также будет способствовать повышению экологической безопасности ПТГ.

Объект исследования: системы мониторинга и контроля состояния атмосферного воздуха природно-технической геосистемы.

Предмет исследования: методики обработки и прогнозирования экологических и метеорологических параметров атмосферного воздуха на основе систем мониторинга и контроля состояния атмосферного воздуха природно-технической геосистемы.

Целью диссертационной работы является разработка структуры и компонентов автоматизированной системы мониторинга атмосферного воздуха, а также методик сбора, обработки, передачи измеренных данных и прогнозирования эколого-метеорологических параметров для повышения экологической безопасности окружающей природной среды.

Для достижения поставленной цели необходимо решение следующих задач:

- исследование и анализ современного состояния и проблем построения, функционирования и развертывания АСМАВ, а также обоснование необходимости их совершенствования;

- разработка структуры и компонентов АСМАВ ПТГ;

- разработка методики мониторинга экологических и метеорологических параметров АВ для концентратора данных (КД) АСМАВ;

- разработка методики прогнозирования экологических и метеорологических параметров АВ на основе анализа временных рядов указанных параметров с применением нейросетевых решений;

- имитационное моделирование масштабируемой АСМАВ в программной среде N8-3 с подключением стационарных и автономных измерительных постов;

- изготовление макета КД АСМАВ на основе кластеризации вычислительных модулей.

Методы исследования. Теоретическую и методологическую базу исследований составили современные методы и средства имитационного моделирования сложных систем, корректное использование основных положений теории математического и системного анализа, математическая статистика, дискретная математика, методы теории вероятностей, методы вычислительной математики, методы автономного адаптивного управления и методы анализа временных рядов данных.

Научная новизна.

1. Разработаны структура и компоненты автоматизированной системы мониторинга атмосферного воздуха, отличающиеся от известных применением нового способа информационного взаимодействия между концентратором и центром обработки данных, а также кластеризацией вычислительных модулей концентратора данных. Это позволяет оперативно увеличивать количество подключаемых датчиков и, соответственно, уровень экологической и метеорологической информации для АСМАВ, что способствует повышению экологической безопасности окружающей природной среды.

Патент на изобретение № 2768264 РФ, Свидетельства РФ о государственной регистрации программы для ЭВМ № 2022661318 и № 2022667625.

2. Разработана методика мониторинга экологических и метеорологических параметров атмосферного воздуха для КД, которая обладает возможностью сбора, обработки и передачи измеренных параметров в кластерном режиме работы КД, динамического конфигурирования периодов опроса для каждого датчика и оптимизации формирования набора данных. Методика позволяет снизить количество повторяющихся и неинформативных данных при передаче их в центр обработки экологической и метеорологической информации и увеличить время автономной работы КД.

Свидетельства РФ о государственной регистрации программы для ЭВМ № 2019662967 и № 2023662958.

3. Разработана методика прогнозирования экологических и метеорологических параметров атмосферного воздуха с применением трех моделей обработки данных: Prophet, SARIMA, LightGBM. Методика обладает возможностью применения

автоматизированного подбора гиперпараметров и построения комплексного прогноза, что позволяет значительно повысить его точность.

Свидетельство РФ о государственной регистрации программы для ЭВМ № 2024616711.

4. Разработана имитационная модель масштабируемой автоматизированной системы мониторинга атмосферного воздуха, которая позволяет оптимизировать количество измерительных постов, приходящихся на одну базовую станцию, и определить коэффициент доставки пакетов, содержащих значения экологических и метеорологических параметров.

Теоретическая и практическая значимость.

1. Обоснована структура автоматизированной системы мониторинга атмосферного воздуха, включающая в себя кластерное представление КД с возможностью распределенного подключения групп датчиков.

2. Разработан новый способ информационного взаимодействия между КД и центром обработки данных, заключающийся в формировании новой структуры кадра предаваемых данных, который учитывает селективный опрос и изменение периода опроса датчиков передающего устройства КД.

3. Установлено, что в результате кластерного распределения вычислительных модулей КД, а также динамического конфигурирования периодов опроса для каждого датчика и оптимизации формирования набора данных для отправки в центр обработки данных удается исключить повторяющиеся и неинформативные данные при передаче в центр обработки данных экологической и метеорологической информации.

4. На основе синтеза различных моделей обработки данных разработана методика прогнозирования экологических и метеорологических параметров атмосферного воздуха, позволяющая осуществлять автоматизированный подбор гиперпараметров и построение комплексного прогноза.

5. Разработано авторское модульное ПО работы КД в кластерном режиме в составе АСМАВ. ПО обеспечивает сбор, хранение, обработку и передачу экологических (СО2, 802, N02, СО и др.) и метеорологических (температура, давление и др.) параметров. ПО позволяет уменьшить количество передач повторяемых значений измерений до 44% для экологических и до 95% метеорологических

параметров. ПО для кластерного режима работы КД АСМАВ позволяет увеличить время автономной работы до 39% по сравнению с известными аналогами.

6. Разработано авторское ПО для прогнозирования экологических и метеорологических параметров атмосферного воздуха, которое позволяет повысить точность прогноза до 56% по сравнению с известными аналогами.

7. Разработана имитационная модель масштабируемой АСМАВ в программной среде №-3 с подключением стационарных и автономных измерительных постов. Наилучший показатель коэффициента доставки пакетов достигается при высоте подвеса антенны измерительного поста, равной 6 м, на удалении от базовой станции (БС) не более 1400 м и составляет 80%. Проведена оценка количества измерительных постов, обслуживаемых одной БС АСМАВ, коэффициент доставки пакетов, равный 80%, сохраняется при расположении не более 200 измерительных постов на одну БС.

8. Разработан макет КД в составе АСМАВ на основе кластеризации вычислительных модулей КД. Показано, что использование предложенного подхода позволяет подключить разнородные датчики в режиме селективного опроса, применить модульную архитектуру ПО и обеспечить гибкое масштабирование АСМАВ.

Реализация и внедрение результатов работы.

Результаты диссертационной работы внедрены в АО «УПП «Вектор» (г. Екатеринбург) при разработке переносного метеорологического комплекта (ПМК), в ООО «ОКБ БУРСТРОЙПРОЕКТ» (г. Москва) при разработке программного обеспечения мобильного метеорологического комплекса «ММК» и в ООО «НТЦ Амплитуда» (г. Зеленоград) при модернизации и развитии блока обработки данных БОД-301А, установки для измерения объемной активности газов «УДАС-04А» и установки для измерения объемной активности аэрозолей «УДАС-01А». Акты внедрения прилагаются.

Результаты работы были использованы при выполнении трех НИР: «Создание автоматизированной системы мониторинга окружающей среды (АСМОС) для сбора, обработки, хранения и передачи метеорологической и экологической информации» №АААА-А20-120013090100-3; «Разработка и макетирование автомобильной системы экологического мониторинга с функцией экстренного вызова» №122042000048-1 и «Разработка и макетирование сенсорной системы информационного взаимодействия»

№122042000049-8 в рамках проекта в центре НТИ «Сенсорика» в НОЦ РЦСС НИУ МИЭТ, а также в учебном процессе НИУ МИЭТ при чтении лекций и проведении практических занятий для бакалавров по трем дисциплинам по направлению 20.03.01 «Техносферная безопасность» программы «Инженерная защита окружающей среды»: «Цифровые платформы в экологических и метеорологических системах», «Экологический мониторинг» и «Экологическое нормирование и техническое регулирование». Акты об использовании результатов имеются.

Положения, выносимые на защиту.

1. Разработанные структура и компоненты АСМАВ позволяют строить и развертывать цифровые системы мониторинга АВ с развитой инфокоммуникационной инфраструктурой и кластерным распределением вычислительных модулей КД с повышенной гибкостью масштабирования, что в результате способствует увеличению экологической безопасности окружающей природной среды.

2. Разработанный способ информационного взаимодействия между концентратором и центром обработки данных позволяет сформировать передаваемые кадры переменной длины с экологической и метеорологической информацией, что дает возможность объединять по радиоканалу КД единым способом с разнородным набором и количеством датчиков.

3. Разработанная методика мониторинга экологических и метеорологических параметров АВ для КД обеспечивает сбор, обработку, хранение и передачу экологической и метеорологической информации на серверное оборудование по радиоканалам. Методика позволяет уменьшить количество повторяющихся и неинформативных данных при передаче их в центр обработки метеорологической и экологической информации, что увеличивает время автономной работы КД до 39% по сравнению с известными аналогами.

4. Разработанная методика прогнозирования экологических и метеорологических параметров АВ с применением моделей Prophet, SARIMA, LightGBM позволяет повысить точность прогноза экологических и метеорологических параметров АВ.

5. Разработанная имитационная модель масштабируемой АСМАВ позволяет оптимизировать количество измерительных постов, приходящихся на одну базовую станцию, и определить коэффициент доставки пакетов, содержащих измеренные значения экологических и метеорологических параметров.

Тема диссертационной работы соответствует паспорту специальности 2.2.8 и направлениям исследований 1, 3, 5, 6, 7.

Апробация работы. Основные результаты работы докладывались и обсуждались на 11 научных конференциях, в том числе на 8 международных: IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus), 2019 -2022, Moscow and St.Petersburg, Russia; IEEE Conference of Young Researchers in Electrical and Electronic Engineering (ElCon), 2023 - 2025, St.Petersburg, Russia; Futuristic Trends in Network and Communication Technologies (FTNCT 2020), 2020, Singapore; «Актуальные проблемы техносферной безопасности», 2021, Москва; «Микроэлектроника и информатика - 2022», 2020, Москва; «Синтез науки и образования в решении экологических проблем современности», 2022, Воронеж.

Научные результаты диссертации отражены в 29 научных работах, из них в рецензируемых изданиях, входящих в Перечень, утвержденный ВАК РФ, - 9 работ, в зарубежных изданиях, включенных в систему цитирования Scopus и Web of Science -6, РИНЦ - 5. Получено 8 Свидетельств РФ о государственной регистрации программы для ЭВМ и 1 Патент на изобретение.

Личный вклад автора. Автор принимал активное участие в определении целей и постановке задач исследований, обосновании способов их осуществления, непосредственном выполнении значительной части экспериментов, разработке системы, методик мониторинга и прогнозирования, разработке программно-алгоритмических и программно-аппаратных решений, а также в систематизации и анализе полученных результатов, подготовке публикаций, обосновании научных рекомендаций и внедрении разработанных результатов.

Степень достоверности результатов подтверждается соответствием результатов теоретического анализа реальному функционированию программно-аппаратных средств, сходимостью теоретических результатов с экспериментальными данными, которые получены путем математического и имитационного моделирования, а также экспериментов, проведенных на основе разработанных макетов и ПО компонентов системы. Результаты работы прошли рецензирование перед публикациями в рецензируемых журналах, в том числе рекомендованных ВАК, а также апробацию на международных и российских научно-технических конференциях.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы и приложения. Объем основного текста диссертации - 162 страницы. В работе содержится 68 рисунков и 9 таблиц. Список литературы содержит 159 наименований.

ГЛАВА 1. ИССЛЕДОВАНИЕ И АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ ПРОБЛЕМЫ ПОСТРОЕНИЯ АВТОМАТИЗИРОВАННЫХ СИСТЕМ МОНИТОРИНГА АТМОСФЕРНОГО ВОЗДУХА И ОБОСНОВАНИЕ НЕОБХОДИМОСТИ ИХ СОВЕРШЕНСТВОВАНИЯ

1.1. Классификация методов мониторинга и контроля качества АВ

Понятие мониторинга имеет тесную связь с системой повторных наблюдений одного или нескольких элементов окружающей природной среды в фиксированные или синхронные интервалы времени. Такое определение впервые было представлено в 1972 г., но позднее было уточнено - добавлена прогнозная составляющая. В настоящее время под мониторингом понимается комплексная система наблюдений, оценки и прогноза природных сред, природных ресурсов, растительного и животного мира, позволяющие выделить изменения их состояний и происходящие в них процессы под влиянием антропогенной деятельности [1, 2].

Блок-схема системы мониторинга представлена на рис. 1.1 [3].

Рисунок 1.1 - Блок-схема системы мониторинга

В рамках мониторинга решаются две основные задачи: обеспечение постоянной оценки состояния и целостности экосистем и создание условий для определения корректирующих действий при невозможности достижении целевых показателей оценки параметров окружающей среды [4]. Задача определения корректирующих действий впервые была определена в Государственном докладе «О состоянии

окружающей природной среды в РФ в 1995 г.» [5]. При этом функции управления не относятся напрямую к системе мониторинга, а описывают возможность предоставления необходимой для приятия решений по корректировке качества окружающей среды параметров.

В общем виде мониторинг может быть представлен в виде структурной схемы (рис. 1.2), где основными составляющими являются блоки измерений и управления [6]. Блок измерений включает в себя различные методы и оборудование для наблюдений: датчики, технические средства, лабораторное оборудование и вычислительные машины. Блок управления представлен набором автоматизированных систем (прогнозной, диагностической) и системы защиты.

Рисунок 1.2 - Структурная схема мониторинга

Блоки измерений и управления взаимодействуют между собой через каналы связи для обеспечения передачи данных и своевременной доставки информации. Многообразие методов мониторинга связано с различными особенностями результатов измерений, а также с характеристиками изучаемых областей и другими релевантными факторами. Известные методы мониторинга делятся на дистанционные, биологические и контактные (рис. 1.3) [7-10].

Рисунок 1.3 - Классификация методов мониторинга

К дистанционным методам мониторинга относятся несколько подходов, предусматривающих измерение различных параметров с использованием аэрокосмических снимков, пилотируемого оборудования и наземных станций. Аэрокосмические снимки позволяют получить мгновенные значения измеряемых параметров, а также решать задачи мониторинга и контроля состояния окружающей среды (ОС) [6, 8, 11]:

- определение температурных профилей;

- измерение влажности воздуха;

- определение характера облачности;

- обнаружение крупных выбросов предприятий;

- обнаружение пожаров;

- мониторинг разлива рек;

- контроль динамики снежных покровов.

Данный способ также позволяет измерять динамику атмосферных фронтов и контролировать техногенное состояние различных зон, включая промышленные, лесопарковые, природоохранные и городские [11, 12].

Применение пилотируемого оборудования, в том числе управляемых дронов и воздушных судов многоразового использования, предполагает размещение вне корпуса воздушного судна различных датчиках, способных регистрировать значения измеряемых параметров во время полета. Этот подход является частным случаем предыдущего, поскольку также требует расположения измерительного оборудования на каком-либо воздушном судне.

Недостатком дистанционных методов является низкая достоверность измерений наземных параметров, но применение оправдано построением масштабных температурных профилей, контролем перемещения облаков и т.д.

Контактные методы мониторинга, в том числе физико-химические измерения, могут быть разделены на качественные, количественные, объемные, потенциометрические и методы экспресс-анализа [9, 13]. Применение каждого из них может быть объяснено большим набором измеряемых параметров, поскольку использование совокупности указанных методов позволяет проводить мониторинг различных загрязняющих веществ (ЗВ) с их точным определением, измерением объемных характеристик и концентрации в АВ на основе оценки цветовых оттенков объекта измерений.

К контактным методам относят экспресс-методы, которые требуют использования специализированного инструментария - электронных устройств, включающих в себя набор датчиков для измерения мгновенных значений одного или нескольких параметров [14, 15]. Погрешность измерения таких методов составляет до 5%, однако их применение обусловлено возможностью непрерывного и постоянного сбора данных, что затруднено в лабораторных условиях. Прогрессивная модернизация датчиков, в том числе развитие элементной базы и чувствительных элементов, постепенно снижает погрешность измерений. Современные датчики для мониторинга АВ позволяют сократить погрешность измерения до 1%.

Использование датчиков в составе станций экологического мониторинга или метеостанций подкреплено возможностью размещения множества устройств в одной области, что позволяет локализировать измерения, вычислять средние значения

параметров указанной области. Возможна дополнительная обработка с использованием центрального вычислительного устройства и баз данных (БД), хранящих статистические данные измерений за большой временной промежуток. Последнее позволяет применять методы статистического анализа и прогнозирования, а также методы машинного обучения или обработки больших данных.

Биологические методы мониторинга основаны на косвенной оценке состояния окружающей среды путем анализа различных факторов, преимущественно биоиндикаторов, таких как определенные виды живых организмов в зоне измерения [16-18].

Помимо классических методов экологического мониторинга, в связи с непрерывным развитием технологий носимой электроники, а также микроконтроллерных и микропроцессорных устройств, появляются новые методы, основанные на использовании электронных устройств, выборочно сочетающих в себе функционал описанных методов. Примером таких устройств являются стационарные станции экологического мониторинга. Применение таких станций - решение задачи непрерывного анализа состояния АВ ПТГ [18].

В качестве основного недостатка станций экологического мониторинга отмечается невозможность локализации источника выбросов ЗВ, поскольку радиус их распространения может составлять от нескольких сотен метров до километров, что приводит к новой задаче - необходимости разработки или модификации модели системы мониторинга экологических и метеорологических параметров.

Таким образом, можно сделать вывод о применимости методов мониторинга в разрабатываемой системе, а именно методов дистанционного мониторинга и экспресс-анализа. Это позволяет получать данные о различных параметрах окружающей среды, включая температуру воздуха, скорость и направление ветра, влажность, наличие осадков, солнечную радиацию, барометрическое давление, наличие загрязнений в воде и АВ.

В таблице 1.1 представлены результаты оценки применимости методов мониторинга в АСМАВ.

Таблица 1.1 - Оценка применимости методов мониторинга в АСМАВ

Методы мониторинга Стоимость оборудования Точность измерений Частота измерений Охватываемая территория Применимость к АСМАВ

Дистанционные Высокая Средняя Средняя До 100 км2 Средняя

Контактные Низкая Средняя Высокая До 50 м2 Высокая

Биологические Средняя Высокая Низкая - -

Таким образом, разрабатываемая АСМАВ должна обеспечивать функции наблюдения, оценки состояния, прогноза и оценки прогнозного состояния окружающей среды или ее отдельных параметров. Функции наблюдения должны быть обеспечены с использованием методов дистанционного мониторинга и экспресс-анализа для проведения измерений контролируемых параметров окружающей среды.

1.2. Аналитический обзор автоматизированных систем мониторинга

атмосферного воздуха

В классическом подходе к построению АСМАВ выделяют основную и функциональную части. В основную часть включены информационная и техническая базы, математическое и алгоритмическое обеспечение [19, 20].

Под информационной базой понимается объем данных, необходимых для автоматизации функций управлений отдельным объектом. В техническую базу включены средства измерений, обработки и визуализации данных, передачи данных с использованием различных каналов связи. Техническая база может быть расширена за счет устройств автоматизации, например автоматических регуляторов или датчиков.

К средствам измерения относятся концентраторы данных - устройства, функции которых заключаются в сборе и регистрации измерений набора экологических и/или метеорологических параметров окружающей среды. Концентраторы данных не обеспечивают длительное хранение измерений, поэтому в качестве устройств накопления, хранения и обработки данных используются ЭВМ. На ЭВМ реализуются

и управляющие функции за счет высокой вычислительной мощности таких машин [12, 18]. Для отображения данных используются различные устройства, позволяющие представить информацию в надлежащем виде [20]: информационные табло, терминалы, экраны, индикаторы, устройства акустического оповещения.

Математическое и алгоритмическое обеспечение автоматизированной системы мониторинга представляет собой совокупность программ, функционал которых выражен повторяемым управлением объектами информационной базы. При этом состав алгоритмов управления может отличаться в зависимости от области применения системы мониторинга и конкретных потребностей организаций [21]. Функциональная составляющая систем мониторинга состоит из программных реализаций алгоритмического и математического обеспечения. Программные реализации могут быть разделены на группы в зависимости от выполняемых ими функций: управление, измерение, визуализация и др.

Список литературы диссертационного исследования кандидат наук Волкова Елена Анатольевна, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Ганеева Ж. Г. Определение понятия «мониторинг» в различных сферах его применения // Вестник Челябинского государственного университета. - 2005. - Т. 8. -№ 1. - С. 30-33. ББ№

2. Цветков В. Я. Геоинформационный мониторинг // Изв. вузов. Геодезия и аэрофотосъемка. - 2005. - № 5. - С. 151-155. ББ№ УОАЗБВ.

3. Газиева П. Ч. Классификация систем экологического мониторинга // Охрана окружающей среды - основа безопасности страны: сб. статей по материалам Междунар. науч. экол. конф. (Краснодар, 29-31 марта 2022). - Краснодар: Кубан. гос. ун-т, 2022. - С. 667-672. ББ№ ББТВЬК

4. Бурдин К. С. Основы биологического мониторинга. - М.: Изд-во МГУ, 1985. - 158 с.

5. Государственный доклад «О состоянии окружающей природной среды Российской Федерации в 1995 г.». - М.: Центр международных проектов, 1996. - 458 с.

6. Якунина И. В., Попов Н. С. Методы и приборы контроля окружающей среды. Экологический мониторинг: уч. пособие. - Тамбов: Изд-во Тамб. гос. техн. ун-та. -2009. - 188 с. ББ№ ОЛгЖ.

7. Мирзадинов Р. А. Иерархия мониторинга окружающей среды // Инновации в науке. - 2012. - № 10-2. - С. 126-142. ББ№ РСАИШг.

8. Вегнер В. Ю., Богданова Е. М. Методы наблюдения окружающей среды (контактные методы, дистанционные методы, биологические методы) // Мировая наука. - 2020. - № 2 (35). - С. 38-41. ББ№ Бг^ББ.

9. Фишбах М. М. Современные методы мониторинга окружающей среды // Научные исследования и разработки студентов: сб. материалов VII Междунар. студенческой науч.-практ. конф. (Чебоксары, 18 мая 2018). - Чебоксары: ЦНС «Интерактив плюс», 2018. - С. 223-224. - ББ№ ХЯШОИЯ.

10. Чернецова Е. А., Шишкин А. Д. Некоторые вопросы функционирования системы мониторинга водной поверхности // Успехи современной науки. - 2017. - Т. 4. - № 1. - С. 11-14. ББ№ ХХБРЖ

11. Дмитриев А. А., Хомякова Л. А., Ефремова Е. Н. Дистанционные методы мониторинга окружающей среды // Экономика: вчера, сегодня, завтра: сб. статей по материалам II Всероссийской (с международным участием) конф. преподавателей и студентов. (Москва, 27 нояб. 2020). - М: МФЮА, 2021. - С. 697-701. EDN: NGRBCK.

12. Путивцева Н. П., Наливко К. В. Автоматизированная система экологического мониторинга // Проблемы современной науки и образования. - 2013. - № 4 (18). - С. 22-23. EDN: SCPKSB.

13. Краев И. М., Малышев Д. М., Иванов А. В. Применение экспресс-методов для обеспечения системы экологического online мониторинга // VII Всероссийский фестиваль науки: сб. докладов: в 2 т. (Нижний Новгород, 04-05 окт. 2017). - Н. Новгород: Нижегородский гос. архитектурно-строительный ун-т, 2017. - 2017. - Т. 1. - С. 542-546. EDN: ZVTYAF.

14. Ullo S. L., Sinha G. R. Advances in smart environment monitoring systems using IoT and sensors // Sensors. - 2020. - Vol. 20 (11). - Art. no. 3113. https://doi.org/10.3390/s20113113

15. Ullo S. L., Sinha G. R. Advances in IoT and smart sensors for remote sensing and agriculture applications // Remote Sensing. - 2021. - Vol. 13. - No. 13. - Art. no. 2585. https://doi.org/10.3390/rs13132585

16. Кубрина Л. В. Биологический мониторинг малых рек // Научное обозрение. Биологические науки. - 2019. - № 4. - С. 68-72. EDN: JUHMVT.

17. Зинченко М. К. Мониторинг почвенно-биологических процессов в серой лесной почве по микробиологическим и биохимическим показателям // Владимирский земледелец. - 2020. - № 1 (91). - С. 34-39. EDN: XNNAYA.

18. Романов Э. В., Лелецкий А. В., Лабунин К. А. Принципы построения информационных систем геоэкологического мониторинга // Достижения науки и образования. - 2019. - № 8-1 (49). - С. 31-32. EDN: THVTMB.

19. Крапивин В. Ф., Мкртчян Ф. А., Пшенин Е. С. Концепция регионального экологического мониторинга // Материалы XIII Междунар. симпозиума «Проблемы экоинформатики»: доклады Московского науч.-техн. общества радиотехники, электроники и связи им. А. С. Попова. (Москва, 04-06 декабря 2018). - М: Московское НТО радиотехники, электроники и связи им. А. С. Попова, 2018. - С. 98-103. EDN: YXNUAX

20. Горюнкова А. А. Современное состояние и подходы к разработке систем мониторинга загрязнения атмосферы // Известия Тульского государственного университета. Технические науки. - 2013. - № 11. - С. 251-260. ББ№ ЯШБААИ.

21. Журавлев А. Е., Макшанов А. В., Паутов Е. Д. Алгоритмическое обеспечение системы мониторинга и контроля микроклимата // Сб. науч. статей Национальной науч.-практ. конф. профессорско-преподавательского состава ФГБОУ ВО «ГУМРФ им. адмирала С. О. Макарова». (Санкт-Петербург, 20 - 22 сент. 2021). - СПб: ФГБОУ ВО «ГУМРФ им. адмирала С. О. Макарова», 2022. - С. 134-138. - ББ№ ТОВШ.

22. Слаутин Ю. А., Полевщиков И. С. Особенности технической реализации автоматизированной системы мониторинга окружающей среды // Символ науки. -2015. - № 7-1. - С. 44-46. ББ№ ИСУХОТ.

23. Волкова Е.А. Разработка методики построения системы мониторинга окружающей среды мегаполиса // Материалы Науч.-техн. конф. «Микроэлектроника и информатика - 2022»: сб. статей. (Москва, 21 - 22 апр. 2022). - М.: МИЭТ, 2022. - С. 144.

24. Рерих В. А., Рылеева Е. М. Современные автоматизированные системы наблюдения и контроля параметров производственной среды // Приоритетные направления развития науки и технологий: доклады XXV Междунар. науч.-практ. конф. (Тула, 13 мая 2019). - Тула: Изд-во «Инновационные технологии», 2019. - С. 161-165. - ББ№ 1ШБШи.

25. Черных В. И. Организация системы локального мониторинга угледобывающего предприятия // Сергеевские чтения: Материалы годичной сессии Научного совета РАН по проблемам геоэкологии, инженерной геологии и гидрогеологии. (Пермь, 02-04 апр. 2019). - Пермь: Пермский гос. нац. исслед. ун-т, 2019. - С. 609-612. ББ№ гСРАБВ.

26. Новикова С. В., Тунакова Ю. А., Шагидуллин А. Р., Кузнецова О. Н. Использование интеллектуальных расчетных методов для повышения точности результатов расчетного мониторинга основных компонентов выбросов г. Нижнекамска (сообщение 2) // Вестник технологического университета. - 2020. - Т. 23. - № 9. - С. 96-99.

27. Рыжаков Н. Н., Кислицин В. А., Додина Н. С. Особенности решения задач при расчете экспозиции в рамках оценки риска здоровью // Фундаментальные и

прикладные аспекты анализа риска здоровью населения - 2022: Материалы Всерос. науч.-практ. интернет-конф. молодых ученых и специалистов Роспотребнадзора с международным участием. (Пермь, 10-14 октября 2022). - Пермь: Перм. нац. исслед. политехн. ун-та, 2022. - С. 19-23. EDN: IJGVPQ.

28. Сергеева А. С., Герко А. Г. Недостатки системы сводных расчетов загрязнения атмосферы // Неделя науки Санкт-Петербургского государственного морского технического университета. - 2020. - Т. 2. - № 4. - С. 62-66. EDN: BWIXLM.

29. Effect of natural gamma background radiation on portal monitor radioisotope unmixing / Weiss M., Fang M., Altmann Y. et al. // Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. - 2021. - Vol. 1002. - Art. no. 165269. https://doi.org/10.1016/j.nima.2021.165269

30. Барышникова О. С., Бахтин А. А. Система мониторинга окружающей среды в урбоэкологии города // Актуальные проблемы землеустройства, кадастра и природообустройства: Материалы V Междунар. науч.-практ. конф. факультета землеустройства и кадастров ВГАУ. (Воронеж, 28 апр. 2023). - Воронеж: Воронежский гос. аграрный ун-т им. Императора Петра I, 2023. - С. 289-296. EDN: UABMFT.

31. Кобрина Н. В. Системы мониторинга загрязнения окружающей среды автомобильным транспортом // Экология и промышленность. - 2016. - № 2 (47). - С. 97-102. EDN: XVISJN

32. Артемьев И. Б., Щелбанин А. В., Артемьев Б. В. Подсистема экологического мониторинга системы «Умный дом» // Контроль. Диагностика. - 2018. - № 5. - С. 3847. EDN: YWZKHF.

33. Lefevre A., Malet-Damour B., Boyer H., Riviere G. Advancing urban microclimate monitoring: the development of an environmental data measurement station using a low-tech approach // Sustainability. - 2024. - Vol. 16. - No. 7. - Art. no. 3093. https://doi.org/10.3390/su16073093

34. Ананина Т. Л., Ананин А. А. Некоторые результаты мониторинга температурного режима, полученные с помощью автоматических метеоприборов (Баргузинский хребет) // Природные комплексы Северо-Восточного Забайкалья: Тр. Баргузинского государственного природного биосферного заповедника. - 2019. - № 11. - С. 183-189. https://doi.org/10.31554/978-5-7925-0575-9-11-2019-183-189

35. DS1921G Устройство ТЕРМОХРОН iButton // НТЛ «ЭлИн». - 2015. - URL: https://elin.ru/files/pdf/Thermochron/DS1921G_RU.pdf (дата обращения 12.09.2024 г.)

36. Abdelhafez E., Hamdan M., Maher A. M. Enhancing photovoltaic panel efficiency using a combination of Zinc Oxide and Titanium Oxide water-based nanofluids // Case Studies in Thermal Engineering. - 2023. - Vol. 49. - Art. no. 103382. https://doi.org/10.1016/j.csite.2023.103382

37. Okitsu K., Kunichika R., Asada S. Quantitation and evaluation of NO2-, NO3-, and H2O2 in the sonolysis of aqueous NaOH solution under air and air-Ar mixture: Effects of solution temperature, ultrasonic power, and ratio of gas mixture // Ultrasonics Sonochemistry.

- 2023. - Vol. 100. - Art. no. 106612. https://doi.org/10.1016Zj.ultsonch.2023.106612

38. Al Aboushi A., Abdelhafez E., Hamdan M. Finned PV Natural Cooling Using Water-Based ТЮ2 Nanofluid // Sustainability. - 2022. - Vol. 14. - No. 20. - Art. no. 12987. https://doi.org/10.3390/su142012987

39. Semi-continuous anolyte circulation to strengthen CO2 bioelectromethanosynthesis with complex organic matters as the e-/H+ donor for simultaneous biowaste refinery / Zhen G., Zheng S., Han Y. et al // Chemical Engineering Journal. - 2022. - Vol. 430. - Art. no. 133123. https://doi.org/10.1016/j.cej.2021.133123

40. GL220 midi Logger [Электронный ресурс]. URL: https://www.dataq.com/resources/pdfs/datasheets/gl220_ds.pdf (дата обращения: 05.09.2023).

41. Armstrong J.S. Forecasting for Marketing // Quantitative Methods in Marketing, 2nd ed. - London: International Thompson Business Press, 1999. - P. 92-119.

42. Носков С. И. Обобщенный критерий согласованности поведения в регрессионном анализе // «Информационные технологии и математическое моделирование в управлении сложными системами»: электрон. науч. журн. - 2018. -№ 1. - С. 14-20. https://doi.org/10.26731/2658-3704.2018.1(1). 14-20

43. Austin M. P. Spatial prediction of species distribution: an interface between ecological theory and statistical modelling // Ecological modelling. - 2002. - Vol. 157. - No. 2-3. - P. 101-118. https://doi.org/10.1016/S0304-3800(02)00205-3

44. Бухаров Е. О. Поляков В. Р. Искусственный интеллект как перспективная основа методов формализованного прогнозирования // Военная мысль. - 2019. - № 4.

- С. 81-86. EDN: DHBRMV.

45. Бокс Дж., Дженкинс Г.М. Анализ временных рядов, прогноз и управление. -М.: Мир, 1974. - 406 с.

46. Егошин А. В. Анализ и прогнозирование сложных стохастических сигналов на основе методов ведения границ реализаций динамических систем: дисс. канд. техн. наук. - СПб, 2009. - 174 c.

47. Gheyas I. A., Smith L. S. A neural network approach to time series forecasting // Proceedings of the World Congress on Engineering. - London, 2009. - Vol 2. - P. 12921296.

48. Morariu N., Iancu E., Vlad S. A neural network model for time series forecasting // Romanian Journal of Economic Forecasting. 2009. - Vol. 12 (4). - P. 213-223.

49. Clark N. J., Wells K. Dynamic generalized additive models (DGAMs) for forecasting discrete ecological time series // Methods in Ecology and Evolution. - 2023. -Vol. 14. - No. 3. - P. 771-784. https://doi.org/10.1111/2041-210X.13974

50. Китова О. В., Алексеева А. С. Обзор моделей и методов прогнозирования временных рядов // «Цифровизация общества: состояние, проблемы, перспективы»: Материалы VIII Ежегодной всероссийской науч.-практ. конф. (Москва, 3 июня 2021).

- М.: ФГБОУ ВО «РЭУ им. Г. В. Плеханова», 2021. - Т. I. - С. 147-156. EDN: UTMJRH.

51. Чучуева И. А. Прогнозирование временных рядов при помощи модели экстраполяции по выборке максимального подобия // Наука и современность. - 2010. №1-2. - C. 187-192. EDN: RSLJUT.

52. Jin N., Zeng Y., Yan K., Ji Z. Multivariate air quality forecasting with nested long short term memory neural network // IEEE Transactions on Industrial Informatics. - Vol. 17.

- No. 12. - P. 8514-8522. https://doi.org/10.1109/TII.2021.3065425

53. Li L., Huang S., Ouyang Z., Li N. A deep learning framework for non-stationary time series prediction // 2022 3rd International Conference on Computer Vision, Image and Deep Learning & International Conference on Computer Engineering and Applications (CVIDL & ICCEA). - Changchun, China, 2022. - P. 339-342. https://doi.org/10.1109/CVIDLICCEA56201.2022.9824863

54. Lertnilkarn S., Phimoltares S. Forecasting air quality index in Thailand using ensemble method // 2022 26th International Computer Science and Engineering Conference (ICSEC). - Sakon Nakhon, Thailand, 2022. - P. 313-318. https://doi.org/10.1109/ICSEC56337.2022.10049373

55. Cheng J.-C., Peng H.-C. Air quality forecast and evaluation based on long short-term memory network and fuzzy algorithm // 2021 IEEE 4th International Conference on Knowledge Innovation and Invention (ICKII). - Taichung, Taiwan: IEEE, 2021. - P. 88-91. https://doi.org/10.1109/ICKII51822.2021.9574707

56. Kang Z., Qu Z. Application of BP neural network optimized by genetic simulated annealing algorithm to prediction of air quality index in Lanzhou // 2017 2nd IEEE International Conference on Computational Intelligence and Applications (ICCIA). - Beijing, China: IEEE, 2017. - P. 155-160. https://doi.org/10.1109/CIAPP.2017.8167199

57. Zhenghua W., Zhihui T. Prediction of air quality index based on improved neural network // 2017 International Conference on Computer Systems, Electronics and Control (ICCSEC). - Dalian, China, 2017. - P. 200-204. https://doi.org/10.1109/ICCSEC.2017.8446883

58. Способ развертывания удаленного измерительного поста АСМОС на базе МАКВИЛ / Е. А. Волкова, А. С. Рябышенков, А. А. Бахтин и др. // Альманах современной метрологии. - 2022. - №3 (31). - С. 178-191. EDN: NZVNMA.

59. Пат. RU2768264 РФ. Способ информационного взаимодействия устройств в системах автоматизированного мониторинга окружающей среды / Е. А. Волкова, Е. А. Севрюкова, А. Е. Баскаков и др.; заявл. 11.12.2020; опубл. 23.03.2022, Бюл. № 9. - EDN: TIZUXE.

60. Свидетельство о государственной регистрации программы для ЭВМ № 2019663273 РФ. Программная реализация алгоритма формирования структуры пакетов данных в распределенных сенсорных системах: заявл. 27.09.2019: опубл. 14.10.2019 / А. С. Волков, А. А. Бахтин, Е. А. Волкова и др.; заявитель НИУ МИЭТ. - EDN: KPREYC.

61. Свидетельство о государственной регистрации программы для ЭВМ № 2021661655 РФ. Программная реализация модуля сбора и предобработки данных автоматизированной системы мониторинга окружающей среды: заявл. 07.07.2021: опубл. 14.07.2021 / А. Р. Федоров, А. А. Доронин, Е. А. Волкова и др.; заявитель НИУ МИЭТ. - EDN: PWMGXY.

62. Свидетельство о государственной регистрации программы для ЭВМ № 2021661657 РФ. Программная реализация модуля обработки данных автоматизированной системы мониторинга окружающей среды: заявл. 07.07.2021:

опубл. 14.07.2021 / А. Р. Федоров, А. А. Доронин, Е. А. Волкова и др.; заявитель НИУ МИЭТ. - EDN: MCJDYI.

63. Свидетельство о государственной регистрации программы для ЭВМ № 2022661225 РФ. Программная реализация процедуры сбора, хранения и передачи данных измерительного поста в системе автоматизированного мониторинга окружающей среды: заявл. 06.06.2022: опубл. 17.06.2022 / А. С. Рябышенков, Е. А. Волкова, И. А. Свиридов, А. А. Бахтин; заявитель НИУ МИЭТ. - EDN: QXHNHQ.

64. Севрюкова Е. А., Волкова Е. А., Баскаков А. Е. Разработка алгоритмического обеспечения программно-аппаратного комплекса мониторинга окружающей среды // Альманах современной метрологии. - 2019. - №4 (20) - С. 190-199. EDN: MDPFSD.

65. Волкова Е. А., Севрюкова Е. А., Баскаков А. Е. Разработка алгоритмической базы программно-аппаратного комплекса концентратора данных в автоматизированной системе мониторинга окружающей среды // Альманах современной метрологии. - 2021. - №3 (27) - С. 149-166. EDN: XZMLJG.

66. Свидетельство о государственной регистрации программы для ЭВМ № 2020664090 РФ. Программная реализация алгоритма инициализации параметров концентратора данных в системах мониторинга окружающей среды: заявл. 27.10.2020: опубл. 06.11.2020 / С. С. Муратчаев, Е. А. Волкова, А. Е. Баскаков, Е. А. Севрюкова; заявитель НИУ МИЭТ. - EDN: VSGLKK.

67. Volkova E, Baskakov A., Solodkov A., Sevryukova E., Nevarov P. Improving the energy efficiency of the environmental monitoring system through the use of adaptive algorithms // 2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (2021 ElConRus) (Moscow and St. Petersburg, January 26 - 29, 2021). - Moscow, 2021. - P. 2906-2909. https://doi.org/10.1109/ElConRus51938.2021.9396402

68. Волкова Е.А., Севрюкова Е.А., Муратчаев С.С. Разработка алгоритма управления концентратора данных автоматизированной системы мониторинга окружающей среды // СВЧ-техника и телекоммуникационные технологии. - 2020. - № 1-2. - С. 155-156. EDN: ZAVCRJ.

69. Volkova E., Sevryukova E., Gorelik A., Solodkov A., Baskakov A. Development of procedures for information interaction of components of an automated environmental monitoring system // 2021 IEEE Conference of Russian Young Researchers in Electrical and

Electronic Engineering (2021 ElConRus) (Moscow and St. Petersburg, January 26 - 29, 2021). - Moscow, 2021. - P. 2910-2914.

https://doi.org/10.1109/ElConRus51938.2021.9396107

70. Свидетельство о государственной регистрации программы для ЭВМ № 2019662967 РФ. Программная реализация алгоритма адаптивной конфигурации концентратора данных в распределенной сенсорной системе: заявл. 27.09.2019: опубл. 07.10.2019 / А. С. Волков, А. В. Солодков, Е. А. Волкова и др.; заявитель НИУ МИЭТ.

- EDN: JNPGIV.

71. Conus G., Lilis G., Zanjani N. A., Kayal M. An event-driven low power electronics for loads metering and control in smart buildings // 2016 Second International Conference on Event-based Control, Communication, and Signal Processing (EBCCSP). - Krakow, Poland: IEEE, 2016. - P. 1-7. https://doi.org/10.1109/EBCCSP.2016.7605091

72. Mikhaylov K., Petajajarvi, J. Design and implementation of the plug&play enabled flexible modular wireless sensor and actuator network platform // Asian Journal of Control. -2017. - Vol. 19. - № 4. - P. 1392-1412. https://doi.org/10.1002/asjc.1492

73. Famitafreshi G., Afaqui M. S., Melia-Segui J. A comprehensive review on energy harvesting integration in IoT systems from MAC layer perspective: Challenges and opportunities // Sensors. - 2021. - Vol. 21. - No. 9. - Art. no. 3097. https://doi.org/10.3390/s21093097

74. Рябышенков А. С., Волкова Е. А. Кластеризация концентратора данных в составе измерительного поста АСМОС // Изв. вузов. Электроника, 2022. - Т. 27. - № 4.

- С. 550-558. EDN: DKRPER.

75. Цыбина А. В., Дьяков М. С., Вайсман Я. И. Опыт создания современных автоматизированных систем мониторинга атмосферного воздуха на территории промышленно развитых городов России // Вестник Пермского национального исследовательского политехнического университета. сер. Прикладная экология. Урбанистика. - 2015. - № 1 (17). - С. 65-89. EDN: TOPKTH.

76. Sartori D., Brunelli D. A smart sensor for precision agriculture powered by microbial fuel cells // 2016 IEEE Sensors Applications Symposium (SAS). - Catania, Italy: IEEE, 2016. - P. 1-6. https://doi.org/10.1109/SAS.2016.7479815

77. Bor M., Roedig U. LoRa transmission parameter selection // 13th International Conference on Distributed Computing in Sensor Systems (DCOSS). - Ottawa, ON, Canada: IEEE, 2017. - P. 27-34. https://doi.org/10.1109/DCOSS.2017.10

78. Свидетельство о государственной регистрации программы для ЭВМ № 2023662958 РФ. Программная реализация процедуры опроса сенсорных устройств измерительного поста АСМОС в кластерном режиме: заявл. 07.06.2023: опубл. 16.06.2023 / Д. И. Железнов, Е. А. Волкова, А. А. Бахтин, А. С. Рябышенков; заявитель НИУ МИЭТ. - EDN: TRFTOI.

79. Свидетельство о государственной регистрации программы для ЭВМ № 2023664061 РФ. Программная реализация алгоритма кластеризации функций опроса модулей цифровой платформы для контроля экологических параметров: заявл. 07.06.2023: опубл. 29.06.2023 / Д. И. Железнов, Е. А. Волкова, А. В. Солодков, А. С. Рябышенков; заявитель НИУ МИЭТ. - EDN: GLSFRD.

80. Свидетельство о государственной регистрации программы для ЭВМ № 2022661318 РФ. Программная реализация процедур кластеризации измерительного поста автоматизированной системы мониторинга окружающей среды: заявл. 06.06.2022: опубл. 20.06.2022 / Е. А. Волкова, А. С. Рябышенков, А. П. Стрельников, К. О. Суслова; заявитель НИУ МИЭТ. - EDN: NIVTLZ.

81. Kim B., Hwang K. Cooperative downlink listening for low-power long-range wide-area network // Sustainability. - 2017. - Vol. 9. - No. 4. - Art. no. 627. https://doi.org/10.3390/su9040627

82. Evaluation of LoRa LPWAN technology for indoor remote health and wellbeing monitoring / J. Petajajarvi, K. Mikhaylov, R. Yasmin et al. // International Journal of Wireless Information Networks. - 2017. - Vol. 24. - No. 2. - P. 153-165. https://doi.org/10.1007/s10776-017-0341-8

83. Степанов Г. В., Волкова Е. А., Севрюкова Е. А., Баскаков А. Е. Разработка математической модели оценки энергоэффективности экологической системы мониторинга // Вестник Казанского государственного технического университета им. А. Н. Туполева. - 2021. - Т. 77. - № 2. - С. 87-93. EDN: DWACFQ.

84. Свидетельство о государственной регистрации программы для ЭВМ № 2020663805 РФ. Программная реализация алгоритма оценки времени автономной работы концентратора данных в системах мониторинга окружающей среды: заявл.

27.10.2020: опубл. 02.11.2020 / Е. А. Волкова, Н. А. Иванина, А. Е. Баскаков, А. С. Волков; заявитель НИУ МИЭТ. - EDN: HPDNZW.

85. Волкова Е.А., Севрюкова Е.А., Баскаков А.Е. Оценка эффективности программно-аппаратного комплекса концентратора данных в АСМОС // Альманах современной метрологии. - 2021. - №2 (26) - С. 126-141. EDN: RRYGWS.

86. Свидетельство о государственной регистрации программы для ЭВМ № 2020663888 РФ. Программная реализация алгоритма расчета энергетических параметров концентратора данных в системах мониторинга окружающей среды: заявл. 27.10.2020: опубл. 03.11.2020 / Е. А. Волкова, А. Е. Баскаков, А. С. Волков и др.; заявитель НИУ МИЭТ. - EDN: GFOBVY.

87. Розенберг Г. С., Шитиков В. К., Брусиловский П. М. Экологическое прогнозирование (Функциональные предикторы временных рядов). - Тольятти: Институт экологии Волжского бассейна РАН, 1994. - 182 с.

88. Kang H.-J, Kallas C., Park M.-H., Kim J. A Scalable Learning Model for Multi-seasonal Time Series Forecasting // 2021 International Conference on Electronics, Information, and Communication (ICEIC). - Jeju, Republic of Korea, 2021. - P. 1-4. https://doi.org/10.1109/ICEIC51217.2021.9369826

89. V Kumar U., Jain V. K. ARIMA forecasting of ambient air pollutants (O3, NO, NO2 and CO) // Stochastic Environmental Research and Risk Assessment. - 2010. - Vol. 24. - P. 751-760. https://doi.org/10.1007/s00477-009-0361-8

90. Bensalma A. New fractional Dickey Fuller test // 2015 6th International Conference on Modeling, Simulation, and Applied Optimization (ICMSAO). - Istanbul, Turkey, 2015. -P. 1-6. https://doi.org/10.1109/ICMSAO.2015.7152263

91. Yang S., Wang Y., Zhang J. A similarity measure for time series based on symbolic aggregate approximation and trend feature // 2020 39th Chinese Control Conference (CCC). - Shenyang, China, 2020. - P. 6386-6390. https://doi.org/10.23919/CCC50068.2020.9189060

92. Gao S., Li Y., Zhong J. Generation method for medium and long-term photovoltaic power time series considering variable order time series characteristics // 2023 IEEE/IAS Industrial and Commercial Power System Asia (I&CPS Asia). - Chongqing, China: IEEE, 2023. - P. 2369-2373. https://doi.org/10.1109/ICPSAsia58343.2023.10294612

93. Волкова Е. А., Рябышенков А. С., Муратчаев С. С. Классификация алгоритмов машинного обучения в задачах прогнозирования в системах мониторинга окружающей среды // СВЧ-техника и телекоммуникационные технологии. - 2022. - № 4. - С. 64-65. EDN: VIBBKG.

94. Alam T., AlArjani A. Forecasting CO2 emissions in Saudi Arabia using Artificial Neural Network, Holt-Winters exponential smoothing, and Autoregressive Integrated Moving Average Models // 2021 International Conference on Technology and Policy in Energy and Electric Power (ICT-PEP). - Jakarta, Indonesia, 2021. - P. 125-129. https://doi.org/10.1109/ICT-PEP53949.2021.9601031

95. Deethong T., Boonnam N. Forecasting analysis of the durian yield trends in southern Thailand using Holt-Winters exponential smoothing method and Box-Jenkins' technique // 2022 Joint International Conference on Digital Arts, Media and Technology with ECTI Northern Section Conference on Electrical, Electronics, Computer and Telecommunications Engineering (ECTI DAMT & NCON). - Chiang Rai, Thailand, 2022. -P. 29-32. https://doi.org/10.1109/ECTIDAMTNCON53731.2022.9720330

96. Begum N., Ulanova L., Wang J., Keogh E. Accelerating dynamic time warping clustering with a novel admissible pruning strategy // Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '15:). - Sydney, Australia, 2015. - P. 49-58. https://doi.org/10.1145/2783258.2783286

97. Development of an air quality forecasting model based on neural networks and machine learning methods / E. Volkova, A. Ryabyshenkov, A. Gorelik et al. // 2024 Conference Young Researchers in Electrical and Electronic Engineering (2024 ElCon) (St. Petersburg, January 29 - 30, 2024). - St. Petersburg, Electrotechnical University «LETI», 2024. - P. 1003-1006. https://doi.org/10.1109/ElCon61730.2024.10468309

98. Cleveland R. B., Cleveland W. S., McRae J. E., Terpenning I. J. STL: a seasonal-trend decomposition procedure based on loess // Journal of Official Statistics. - 1990. - Vol. 6 (1). - P. 3-33.

99. Giorgino T. Computing and visualizing dynamic time warping alignments in R: the dtw package // Journal of Statistical Software. - 2009. - Vol. 31 (7). - P. 1-24. https://doi.org/10.18637/jss.v031.i07

100. Grolemund G., Wickham H. Dates and times made easy with Lubridate // Journal of Statistical Software. - 2011. - Vol. 40 (3). - P. 1-25. https://doi.org/10.18637/jss.v040.i03

101. Hyndman R., Athanasopoulos G. Forecasting: Principles and Practice. - 2 ed. -OTexts, 2018. - 384 p.

102. Xiao L., Wang J., Dong Y., Wu J. Combined forecasting models for wind energy forecasting: a case study in China // Renewable and Sustainable Energy Reviews. - 2015. -Vol. 44. - P. 271-288. https://doi.org/10.1016/j.rser.2014.12.012

103. Kang Y., Hyndman R. J., Smith-Miles K. Visualizing forecasting algorithm performance using time series instance spaces // International Journal of Forecasting. - 2017.

- Vol. 33 (2). - P. 345-358. https://doi.org/10.1016/jijforecast.2016.09.004

104. Liao T. W. Clustering of time series data - a survey // Pattern Recognition. - 2005.

- Vol. 38 (11). - P. 1857-1874. https://doi.org/10.1016Zj.patcog.2005.01.025

105. Castle J. L., Doornik J. A., Hendry D. F. Forecasting principles from experience with forecasting competitions // Forecasting. - 2021. - Vol. 3. - No. 1. - P. 138-165. https://doi.org/10.3390/forecast3010010

106. Montero-Manso P., Hyndman R. J. Principles and algorithms for forecasting groups of time series: Locality and globality // International Journal of Forecasting. - 2021. -Vol. 37. - No. 4. - P. 1632-1653. https://doi.org/10.48550/arXiv.2008.00444

107. Kenyi M. G. S., Yamamoto K. A hybrid SARIMA-Prophet model for predicting historical streamflow time-series of the Sobat River in South Sudan // Discover Applied Sciences. - 2024. - Vol. 6. - No. 9. - Art. no. 457. https://doi.org/10.1007/s42452-024-06083-x

108. Chikkakrishna N. K., Hardik C., Deepika K., Sparsha N. Short-term traffic prediction using SARIMA and FbPROPHET // 2019 IEEE 16th India council international conference (INDICON). - Rajkot, India: IEEE, 2019. - P. 1-4. https://doi.org/10.1109/INDIC0N47234.2019.9028937

109. Comparison of SARIMAX, SARIMA, modified SARIMA and ANN-based models for short-term PV generation forecasting / S. I. Vagropoulos, G. I. Chouliaras, E. G. Kardakos et al. // 2016 IEEE International Energy Conference (ENERGYCON). - Leuven, Belgium: IEEE, 2016. - P. 1-6. https://doi.org/10.1109/ENERGYCON.2016.7514029

110. Волкова Е. А., Муратчаев С. С., Севрюкова Е. А. Разработка прогностической модели метеоусловий в системе мониторинга окружающей среды // Информационные системы и технологии. - 2021. - N° 6 (128). - С. 14-20. EDN: ILZTLB.

111. Sun Y., Zhu J. Forecasting chinese electric vehicle volume using keyword search data based on SARIMA-LSTM model // 2023 8th International Conference on Information Systems Engineering (ICISE). - Dalian, China, 2023. - P. 467-472. https://doi.org/10.1109/ICISE60366.2023.00105

112. Yang Y., Zheng H., Zhang R. Prediction and analysis of aircraft failure rate based on SARIMA model // 2017 2nd IEEE International Conference on Computational Intelligence and Applications (ICCIA). - Beijing, China: IEEE, 2017. - P. 567-571. https://doi.org/10.1109/CIAPP.2017.8167281

113. Ferdinand F. V., Santoso T. H., Saputra K. V. I. Performance Comparison Between Facebook Prophet and SARIMA on Indonesian Stock // 2023 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM). - Singapore, Singapore: IEEE, 2023. - P. 1-5. https://doi.org/10.1109/IEEM58616.2023.10406940

114. Elseidi M. A hybrid Facebook Prophet-ARIMA framework for forecasting high-frequency temperature data // Modeling Earth Systems and Environment. - 2024. - Vol. 10.

- No. 2. - P. 1855-1867. https://doi.org/10.1007/s40808-023-01874-4

115. Daryl, Winata A., Kumara S., Suhartono D. Predicting stock market prices using time series SARIMA // 2021 1st International Conference on Computer Science and Artificial Intelligence (ICCSAI). - Jakarta, Indonesia, 2021. - P. 92-99. https://doi.org/10.1109/ICCSAI53272.2021.9609720

116. Volkova E., Muratchaev S., Volkov A. Development of an automated environmental monitoring system with forecasting // Futuristic Trends in Network and Communication Technologies (FTNCT 2020) Communications in Computer and Information Science. - Singapore, 2021. - Vol. 1395. - P. 412-421. https://doi.org/10.1007/978-981-16-1480-4_37

117. Forecasting of the incoming dustcarts of a waste transfer station based on SARIMA Model / J. Zhou, Q. Fang, H. Zhu et al. // 2023 35th Chinese Control and Decision Conference (CCDC). - Yichang, China: IEEE, 2023. - P. 4953-4958. https://doi.org/10.1109/CCDC58219.2023.10326831

118. Волкова Е.А. Метод прогнозирования экологических и метеорологических параметров атмосферного воздуха // Информационные системы и технологии. - 2024.

- № 5 (145). - С. 27-34. EDN: JREFTY.

119. Development of a device for prediction the pH of the environment based on machine learning / D. M. Baranovskiy, E. A. Volkova, S. S. Muratchaev et al. // 2023 Seminar on Digital Medical and Environmental Systems and Tools (DMEST). - Saint Petersburg, Russian Federation, 2023. - P. 12-14. https://doi.org/10.1109/DMEST60476.2023.10339546

120. Research on short-term and medium-term power load forecasting based on STL-LightGBM / Z. Fang, J. Zhan, J. Cao et al. // 2022 2nd International Conference on Electrical Engineering and Control Science (IC2ECS). - Nanjing, China: IEEE, 2022. - P. 1047-1051. https://doi.org/10.1109/IC2ECS57645.2022.10088145

121. Long-term load forecasting based on feature fusion and LightGBM / Y. Tan, Z. Teng, C. Zhang et al. // 2021 IEEE 4th International Conference on Power and Energy Applications (ICPEA). - Busan, Republic of Korea: IEEE, 2021. - P. 104-109. https://doi.org/10.1109/ICPEA52760.2021.9639313

122. Short-term Load Forecasting of a Technology Park Based on a LightGBM-LSTM Fusion Algorithm / X. Lian, Y. Feng, J. Jiang et al. // 2022 IEEE 5th International Conference on Automation, Electronics and Electrical Engineering (AUTEEE). - Shenyang, China: IEEE, 2022. - P. 151-155. https://doi.org/10.1109/AUTEEE56487.2022.9994355

123. Рябышенков А.С., Волкова Е.А., Трашко М.Д. Построение автоматизированной системы мониторинга окружающей среды // «Синтез науки и образования в решении экологических проблем современности»: материалы Междунар. науч.-практ. конф. (Воронеж, 3 июня 2022). - Воронеж, ВЛГТУ, 2022. - С. 246-252. EDN: OPMTKL.

124. Subanar Tarno, Rosadi D., Suhartono New procedure for determining order of subset autoregressive integrated moving average (ARIMA) based on over-fitting concept // 2012 International Conference on Statistics in Science, Business and Engineering (ICSSBE). - Langkawi, Malaysia: IEEE, 2012. - P. 1-5. https://doi.org/10.1109/ICSSBE.2012.6396643

125. Samal K. K. R, Babu K.S., Das S.K., Acharaya A. Time series-based air pollution forecasting using SARIMA and Prophet model // Proceedings of the 2019 international conference on information technology and computer communications (ITCC '19). -Singapore, Singapore, 2019. - P. 80-85. https://doi.org/10.1145/3355402.335541

126. Свидетельство о государственной регистрации программы для ЭВМ № 2022667625 РФ. Программная реализация прогностической модели автоматизированной системы мониторинга окружающей среды на основе машинного

обучения: заявл. 15.09.2022: опубл. 22.09.2022 / А. С. Рябышенков, Е. А. Волкова, С. С. Муратчаев, А. П. Стрельников; заявитель НИУ МИЭТ. - EDN: PZVVCY.

127. Свидетельство о государственной регистрации программы для ЭВМ № 2024616711 РФ. Программная реализация метода прогнозирования значений параметров окружающей среды: заявл. 15.03.2024: опубл. 25.03.2024 / Е. А. Волкова; заявитель НИУ МИЭТ. - EDN: XZGAFT.

128. Волкова Е. А., Муратчаев С. С., Рябышенков А. С. Исследование и моделирование масштабируемой автоматизированной системы мониторинга окружающей среды в сетевом симуляторе NS-3 // Информационные системы и технологии. - 2022. - № 5 (133). - С. 5-12. EDN: VKJNQV.

129. To T.-H., Duda A. Simulation of LoRa in NS-3: Improving LoRa Performance with CSMA // 2018 IEEE International Conference on Communications (ICC). - Kansas City, MO: IEEE, 2018. - P. 1-7. https://doi.org/10.1109/ICC.2018.8422800

130. Development of a mobile communication system with an emergency call / S. Muratchaev, E. Volkova, A. Gorelik et al. // 2024 Conference Young Researchers in Electrical and Electronic Engineering (2024 ElCon) (St. Petersburg, January 29 - 30, 2024). - St. Petersburg, Electrotechnical University «LETI», 2024. - P. 13-17. https://doi.org/10.1109/ElCon61730.2024.10468294

131. Sari E. K., Wirara A., Harwahyu R., Sari R. F. LoRa Characteristics Analysis for IoT Application using NS-3 Simulator // 2019 IEEE Humanitarian Technology Conference. - Depok, Indonesia: IEEE, 2019. - P. 205-210. https://doi.org/10.1109/R10-HTC47129.2019.9042485

132. Волкова Е.А., Муратчаев С.С., Севрюкова Е.А. Разработка интеллектуальной системы сбора, хранения и передачи метеоданных на основе машинного обучения // Современные проблемы радиоэлектроники и телекоммуникаций. - 2020. - № 3. - С. 85. EDN: LUVCGI.

133. Design and implementation of LoRa geolocation algorithm in NS3 network simulator / M. Chen, H. Zhao, D. Niu et al. // 2022 IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC). - Xi'an, China: IEEE, 2022. - P. 16. https://doi.org/10.1109/ICSPCC55723.2022.9984595

134. Van den Abeele F., Haxhibeqiri J., Moerman I., Hoebeke J. Scalability Analysis of Large-Scale LoRaWAN Networks in NS-3 // IEEE Internet of Things Journal. - 2017. -Vol. 4. - No. 6. - P. 2186-2198. https://doi.org/10.1109/JIOT.2017.2768498

135. Finnegan J., Brown S., Farrell R. Modeling the energy consumption of LoRaWAN in NS-3 based on real world measurements // 2018 Global Information Infrastructure and Networking Symposium (GIIS). - Thessaloniki, Greece: IEEE, 2018. - P. 1-4. https://doi.org/10.1109/GIIS.2018.8635786

136. Capuzzo M. LoRaWAN networks evaluation through extensive NS-3 simulations // 2021 IEEE 22nd International Symposium on a World of Wireless, Mobile and Multimedia Networks (WoWMoM). - Pisa, Italy, IEEE: 2021. - P. 227-228. https://doi.org/10.1109/WoWMoM51794.2021.00039

137. Finnegan J., Brown S., Farrell R. Evaluating the scalability of LoRaWAN gateways for class B communication in NS-3 // 2018 IEEE Conference on Standards for Communications and Networking (CSCN). - Paris, France, IEEE: 2018. - P. 1-6. https://doi.org/10.1109/CSCN.2018.8581759

138. Elbsir H. E., Kassab M., Bhiri S., Bedoui M. H. Evaluation of LoRaWAN Class B efficiency for downlink traffic // 2020 16th International Conference on Wireless and Mobile Computing, Networking and Communications (WiMob). - Thessaloniki, Greece: IEEE: 2020. - P. 105-110. https://doi.org/10.1109/WiMob50308.2020.9253405

139. Севрюкова Е. А., Волкова Е. А., Угроватов А. В., Копылова М. Д. Имитационное моделирование системы мониторинга окружающей среды // Изв. вузов. Электроника. - 2019. - Т. 24. - № 5. - С. 521-529. EDN: RURPUN.

140. Haefke M., Mukhopadhyay S. C., Ewald H. A Zigbee based smart sensing platform for monitoring environmental parameters // 2011 IEEE International Instrumentation and Measurement Technology Conference. - Hangzhou, China: IEEE, 2011. - P. 1-8. https://doi.org/10.1109/IMTC.2011.5944154

141. Internet of things-based photovoltaics parameter monitoring system using NodeMCU ESP8266 / T. Sutikno, H.S. Purnama, A. Pamungkas et al. // International Journal of Electrical & Computer Engineering (IJECE). - 2021. - Vol. 11. - No. 6. - P. 5578-5587. https://doi.org/10.11591/ijece.v11i6.

142. Alam A. U., Clyne D., Deen M. J. A low-cost multi-parameter water quality monitoring system // Sensors. - 2021. - Vol. 21. - No. 11. - Art. no. 3775. https://doi.org/10.3390/s21113775

143. Prototype of a low-cost electronic platform for real time greenhouse environment monitoring: An agriculture 4.0 perspective / T. Pisanu, S. Garau, P. Ortu et al. // Electronics.

- 2020. - Vol. 9 (5). - Art. no. 726. https://doi.org/10.3390/electronics9050726

144. Nair S., Vataliya S., Desai D., Lele P. D. Designing of digital processing system using ADS1115 and Arduinouno // Physics Education. - 2020. - Vol. 36. - P 1-10.

145. Multiparametric system for measuring physicochemical variables associated to water quality based on the Arduino platform / J Fonseca-Campos, I Reyes-Ramirez, L Guzman-Vargas et al. // IEEE Access. - 2022. - Vol. 10. - P. 69700-69713. https://doi.org/10.1109/ACCESS.2022.3187422

146. Development of a device for determining the pH of atmospheric precipitation / E. A. Volkova, M. D. Trashko, S. S. Muratchaev et al. // 2022 Conference of Russian Young Researchers in Electrical and Electronic Engineering (2022 ElConRus) (St. Petersburg, January 25 - 28, 2022). - St. Petersburg, Electrotechnical University «LETI», 2022 - P 16321634. https://doi.org/10.1109/ElConRus54750.2022.9755745

147. Chaudhari B. S., Zennaro M., Borkar S. LPWAN technologies: emerging application characteristics, requirements, and design considerations // Future Internet. - 2020.

- Vol. 12(3). - Art. no. 46. https://doi.org/10.3390/fi12030046

148. Naik N. LPWAN technologies for IoT systems: choice between ultra narrow band and spread spectrum // 2018 IEEE international systems engineering symposium (ISSE). -Rome, Italy: IEEE, 2018. - P. 1-8. https://doi.org/10.1109/SysEng.2018.8544414

149. Mekki K., Bajic E., Chaxel F., Meyer F. A comparative study of LPWAN technologies for large-scale IoT deployment // ICT express. - 2019. - Vol. 5. - No. 1. - P. 17. https://doi.org/10.1016Zj.icte.2017.12.005

150. Punpigul N., Muangkham M., Anantachaisilp P., Srisuprapreeda S., Singhana, K. Long range UAS mission by LPWAN communication / N. Punpigul, M. Muangkham, P. Anantachaisilp et al. // International Conference on Engineering and Industrial Technology (ICEIT2020). - Pattaya, Thailand, 2020. - IOP Publishing, 2020. - Vol. 965. - No. 1. - Art. no. 012039. https://doi.org/10.1088/1757-899X/965A/012039

151. Lavric A., Petrariu A. I., Popa V. Long range Sigfox communication protocol scalability analysis under large-scale, high-density conditions // IEEE Access. - 2019. - Vol. 7. - P. 35816-35825. https://doi.org/10.1109/ACCESS.2019.2903157

152. Бахтин А. А., Волкова Е. А., Солодков А. В., Чугунов И. В. Разработка программно-аппаратного комплекса сенсорной сети экомониторинга стандарта LORA // Информационные системы и технологии. - 2021. - № 4 (126). - С. 100-106. EDN: BWLLUJ.

153. Севрюкова Е. А., Волкова Е. А., Дорошенко В. А., Солодков А. В. Разработка макета распределенной сенсорной системы экологического мониторинга // Изв. вузов. Радиоэлектроника. - 2021. - Т. 24. - № 3. - С. 98-108. EDN: VJOJEU.

154. A design of wireless node for environmental parameters monitoring system / R. R. Fattahov, A. V. Solodkov, E.A. Volkova et al. // 2022 Conference of Russian Young Researchers in Electrical and Electronic Engineering (2022 ElConRus) (St. Petersburg, January 25 - 28, 2022). - St. Petersburg, Electrotechnical University «LETI», 2022 - P 15111514. https://doi.org/10.1109/ElConRus54750.2022.9755503

155. An IoT architecture for continuous livestock monitoring using LoRa LPWAN / L Germani, V Mecarelli, G Baruffa et al. // Electronics. - 2019. - Vol. 8. - No. 12. - Art. no. 1435. https://doi.org/10.3390/electronics8121435

156. Sinrungtham S., Sittakul V., Jan-Im C. Platform of Lorawan Transceiver Module // 2024 Asian Conference on Communication and Networks (ASIANComNet). - Bangkok, Thailand: IEEE, 2024. - P. 1-5. https://doi.org/10.1109/ASIANComNet63184.2024.10811089

157. Sokullu R. LoRa Based Smart Agriculture Network // 2022 8th International Conference on Energy Efficiency and Agricultural Engineering (EE&AE). - Ruse, Bulgaria: IEEE, 2022. - P. 1-4. https://doi.org/10.1109/EEAE53789.2022.9831210

158. Astutik L. Y., Yusuf R. Performance study of LoRa IoT technology // 2022 12th International Conference on System Engineering and Technology (ICSET). - Bandung, Indonesia: IEEE, 2022. - P. 31-35. https://doi.org/10.1109/ICSET57543.2022.10011110

159. Bor M., Vidler J. E., Roedig U. LoRa for the Internet of Things // Proceedings of the 2016 International Conference on Embedded Wireless Systems and Networks (EWSN '16). - Graz, Austria 2016. - P. 361-366. https://doi.org/10.5555/2893711.2893802

ПРИЛОЖEHИE 1. ФУНКЦИОНАЛЬНАЯ СХEМА ИП АСМАВ

ПРИЛОЖЕНИЕ 2. АКТЫ ВНЕДРЕНИЯ И ИСПОЛЬЗОВАНИЯ

АКТ о внедрении результатов диссертационной работы

Волковой Елены Анатольевны на тему:

«Разработка автоматизированной системы и методик для мониторинга и прогнозирования эколого-метеорологических параметров атмосферного

воздуха»

Настоящим подтверждается, что разработанные в диссертационной работе программно-алгоритмические решения для мониторинга и прогнозирования метеорологических параметров атмосферного воздуха были использованы при модернизации компьютерного программного обеспечения для встраиваемых систем «УДАС.Инфраструктура». Разработанный макет программно-аппаратного кластерного концентратора данных автоматизированной системы мониторинга атмосферного воздуха был использован при модернизации и развитии блока обработки данных БОД-301 А, установки для измерения объемной активности газов «УДАС-04А» и установки для измерения объемной активности аэрозолей «УДАС-01А».

Главный метролог к.ф-м.н. ^ "

Начальник научно-исследовательского отдела Заместитель технического директора

АКТ

УТВЕРЖДАЮ Проректор по учебной работе ального исследовательского университета «МИЭТ» Балашов А.Г. 2025 г.

« лГ»

о У

об использовании результатов диссертационной работы Волковой Е.А. на соискание

ученой степени кандидата наук

Настоящим актом подтверждается, что результаты диссертационной работы Волковой Елены Анатольевны «Разработка автоматизированной системы и методик для мониторинга и прогнозирования эколого-метеорологических параметров атмосферного воздуха» используются в учебном процессе при чтении лекций и проведении практических занятий для бакалавров по трем дисциплинам по направлению 20.03.01 «Техносферная безопасность» программы «Инженерная защита окружающей среды»:

- на основе разработанного программно-аппаратного комплекса концентратора данных автоматизированной системы мониторинга атмосферного воздуха подготовлены индивидуальные задания для практических занятий по дисциплине «Экологическое нормирование и техническое регулирование»;

- в дисциплине «Цифровые платформы в экологических и метеорологических системах» добавлены лекции: «Автоматизированные системы мониторинга атмосферного воздуха», «Методика сбора, обработки и передачи параметров окружающей среды» и «Методика прогнозирования эколого-метеорологических параметров атмосферного воздуха», а также практические занятия: «Разработка алгоритмов сбора экологических данных атмосферного воздуха» и «Разработка алгоритмов сбора метеорологических данных атмосферного воздуха»;

- на основе разработанной методики прогнозирования параметров атмосферного воздуха подготовлены тестовые задания для практических занятий по дисциплине «Экологический мониторинг».

Заместитель директора института ПМТ по ОД Начальник АНОК

Воловликова О.В. Никулина И.М.

УТВЕРЖДАЮ Проректор по научной работе

АКТ

об использовании результатов диссертационной работы Волковой Е.А. на соискание ученой степени кандидата технических наук

Настоящим подтверждается, что результаты диссертационной работы Волковой Елены Анатольевны «Разработка автоматизированной системы и методик для мониторинга и прогнозирования эколого-метеорологических параметров атмосферного воздуха» использовались при выполнении научно-исследовательских работ:

1. Научно исследовательская работа на тему: «Создание автоматизированной системы мониторинга окружающей среды (АСМОС) для сбора, обработки, хранения и передачи метеорологической и экологической информации» №АААА-А20-120013090100-3 выполненная в рамках НТИ «Сенсорика» (Договор №9/1251/2019 от 19.08.2019 г.).

2. Научно исследовательская работа на тему: «Разработка и макетирование автомобильной системы экологического мониторинга с функцией экстренного вызова» №122042000048-1 выполненная в рамках НТИ «Сенсорика» (Договор №70-2021-00148 от 29.10.2021 г.).

3. Научно исследовательская работа на тему: «Разработка и макетирование сенсорной системы информационного взаимодействия» №122042000049-8 выполненная в рамках НТИ «Сенсорика» (Договор №70-2021-00148 от 29.10.2021г.).

директор центра НТИ «Сенсорика»

Кучеров А.Н.

к.т.н., доцент,

руководитель НОЦ РЦСС НТИ «Сенсорш

Бахтин A.A.