Розроблення інформаційної системи прогнозування забруднення повітря з використанням мультимодальних даних
Автор: Романишин Остап-Микола Петрович
Кваліфікаційний рівень: магістр
Спеціальність: Системне проєктування
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2025-2026 н.р.
Мова захисту: українська
Анотація: Романишин О-М.П., Корпильов Д.В. (керівник). Розроблення інтелектуальної системи прогнузування забруднення повітря з використанням мультимодальних даних. Магістерська кваліфікаційна робота – Національний університет «Львівська політехніка», Львів, 2025. Розширена анотація. Мета дослідження полягає у створенні та випробуванні прототипу системи прогнозування забруднення атмосферного повітря, яка поєднує два різні типи даних — показники сенсора PMS5003 та зображення, отримані камерою пристрою UNIHIKER K10. Таке поєднання дозволяє розширити межі традиційного моніторингу та використати додаткові візуальні ознаки стану повітря, що зазвичай залишаються поза увагою класичних сенсорних систем. Для досягнення поставленої мети було вирішено низку взаємопов’язаних завдань. Насамперед проведено огляд сучасних підходів до оцінки якості повітря та способів застосування IoT-пристроїв, алгоритмів комп’ютерного зору й методів машинного навчання у цій сфері. На підставі аналізу сформовано архітектуру апаратно-програмного комплексу на основі UNIHIKER K10, обрано інструменти та технології для подальшої реалізації. У роботі створено програмний модуль для синхронного збирання та збереження мультимодальних даних — як сенсорних вимірювань (PM2.5, PM10, температура, вологість), так і зображень навколишнього середовища. Розроблено методику вилучення ознак із зображень за допомогою прийомів комп’ютерного зору, зокрема використанням попередньо навчених згорткових нейронних мереж та аналізу в кількох кольорових просторах. На основі отриманих даних сформовано узгоджений мультимодальний набір, у якому об’єднано візуальні дескриптори й часові ряди сенсорних показників. Проведено серію експериментів з навчання моделей машинного навчання для задачі регресійного прогнозування концентрацій забруднювачів. Ефективність моделі оцінювалася у кількох сценаріях: за даними лише сенсора, лише зображень та їх поєднання. Такий підхід дав змогу простежити реальний внесок кожного джерела інформації. Для демонстрації можливостей прототипу розроблено програмний інтерфейс, що дозволяє відображати поточні значення, історичні зміни та прогнозовані концентрації в зручному для користувача форматі. На завершення узагальнено результати, окреслено сильні сторони та обмеження системи, а також можливі шляхи її подальшого вдосконалення. Об’єктом дослідження є процес моніторингу та прогнозування забруднення атмосферного повітря із залученням сучасних інформаційних технологій. Предметом дослідження виступає методика створення прогнозної системи, що інтегрує візуальні та сенсорні дані, а також програмно-апаратні засоби її реалізації. Актуальність роботи визначається поєднанням двох чинників: з одного боку — зростаючим суспільним інтересом до проблеми якості повітря, з іншого — технологічним прогресом у сфері IoT та штучного інтелекту. Забруднення дрібнодисперсним пилом є серйозним ризиком для здоров’я, а стандартні методи моніторингу недостатньо гнучкі: вони дорогі, встановлюються лише у визначених локаціях і не забезпечують детального просторового покриття. У свою чергу, IoT-пристрої дозволяють розгорнути густу мережу сенсорів, а методи комп’ютерного зору відкривають можливість використовувати звичайні камери як додаткове джерело інформації про стан атмосфери. Практична цінність роботи полягає в тому, що побудований прототип може бути основою для недорогих і водночас інформативних систем моніторингу, здатних працювати у міських умовах і доповнювати існуючі методи швидшим та доступнішим збором даних. Наукова новизна роботи проявляється у кількох аспектах. По-перше, запропоновано й реалізовано мультимодальний підхід до оцінки якості повітря, що поєднує прямі сенсорні вимірювання з візуальними ознаками довкілля. По-друге, розроблено метод інтеграції гетерогенних ознак — від CNN-дескрипторів до статистичних характеристик зображень — у єдиний вектор для регресійного прогнозування. По-третє, створено та оптимізовано модель машинного навчання, здатну працювати на обмежених ресурсах IoT-пристрою, що дозволяє виконувати частину обробки безпосередньо на краю мережі. У ході експериментальної перевірки підтверджено, що візуальні ознаки можуть слугувати надійним додатковим індикатором забруднення, особливо у ситуаціях, коли сенсорні дані нестабільні або потребують компенсації. Це відкриває перспективу використання камер як масового, економічного засобу розширення мереж моніторингу якості повітря. Узагальнюючи, запропонований підхід демонструє, що поєднання IoT, методів комп’ютерного зору та алгоритмів машинного навчання створює підґрунтя для більш точних, доступних і масштабованих систем екологічного моніторингу. Дипломна робота містить: 132 ст., __ рис., _ табл., 33 посилань на використані джерела. Ключові слова: Мультимодальний моніторинг, прогнозування якості повітря, штучний інтелект, комп’ютерний зір, IoT, UNIHIKER K10, PMS5003, машинне навчання, мультимодальні дані, згорткові нейронні мережі, Random Forest, XGBoost, градієнтний бустинг, регресійний аналіз, часові ряди, обробка зображень, вектор ознак, інтелектуальна система, забруднення повітря, PM2.5, PM10. Перелік використаних літературних джерел: 1. WHO Global Air Quality Guidelines. Geneva: World Health Organization; 2021. 2. Landrigan P.J., et al. The Lancet Commission on pollution and health. The Lancet. 2018. 3. WHO Ambient air pollution: Pollutants. 2022. 4. Brook R.D., et al. Particulate matter air pollution and cardiovascular disease. Circulation. 2010. 5. Державна служба статистики України. Стан навколишнього природного середовища в Україні. 2023. 6. Kumar P., et al. The rise of low-cost sensing for managing air pollution in cities. Environment International. 2015. 7. Schneider P., et al. Mapping urban air quality using mobile sensors with low-cost components. IEEE Sensors Journal. 2019. 8. Ashton K. That ’Internet of Things’ Thing. RFID Journal. 2009. 9. LeCun Y., Bengio Y., Hinton G. Deep learning. Nature. 2015. 10. Li X., et al. A deep learning approach for air quality prediction using meteorological data and satellite imagery. Atmospheric Environment. 2022. 11. Zhang Y., et al. Estimating PM2.5 concentrations from satellite observations using a deep spatial-temporal neural network. Remote Sensing of Environment. 2021. 12. European Standard EN 12341:2014. Ambient air quality - Standard gravimetric measurement method for the determination of the PM10 or PM2.5 mass concentration of suspended particulate matter.