504

Работа посвящена оценке качества атмосферного воздуха в г. Сургуте - крупнейшем центре нефтегазовой промышленности Западной Сибири. Исходными данными служат измерения тропосферного содержания диоксида азота (NO₂), полученные спектрометром TROPOMI (спутник Sentinel-5P), и метеорологические параметры модели ERA5 за период 2019-2024 гг. Для решения проблемы неполноты спутниковых рядов, вызванной высокой облачностью и сезонным недостатком освещенности в высоких широтах, применена методика восстановления концентраций с использованием алгоритмов машинного обучения (Random Forest). В модель внедрены физически обоснованные предикторы: «индекс застоя» (Stagnation Index) и показатель отопительной нагрузки, позволяющие учитывать влияние метеорологического потенциала атмосферы и сезонной эмиссии от объектов теплоэнергетики. Результаты моделирования (R²≈0.40) показали, что пиковые концентрации NO₂ в Сургуте формируются преимущественно в холодный период при сочетании интенсивной работы ТЭЦ и неблагоприятных метеоусловий («эффект зимней ловушки»). Вклад лесных пожаров (через аэрозольный индекс) оценен как второстепенный по сравнению с локальными техногенными источниками. Предложенный подход позволяет проводить непрерывную оценку загрязнения в период с февраля по ноябрь, существенно дополняя данные наземных наблюдений.

This study assesses atmospheric air quality in Surgut, the largest oil and gas industrial center in Western Siberia. The initial data consist of tropospheric nitrogen dioxide (NO₂) measurements from the TROPOMI spectrometer (Sentinel-5P satellite) and meteorological parameters from the ERA5 reanalysis model for the period 2019-2024. To address the issue of fragmented satellite data due to high cloud cover and seasonal lack of illumination at high latitudes, a concentration reconstruction methodology based on machine learning algorithms (Random Forest) was applied. Physically meaningful predictors were integrated into the model: a «Stagnation Index» and a heating demand indicator, which account for the influence of atmospheric meteorological potential and seasonal emissions from thermal power facilities. The modeling results (R²≈0.40) demonstrate that peak NO₂ concentrations in Surgut primarily occur during the cold season, driven by the combined effect of intense thermal power plant operation and unfavorable meteorological conditions (the «winter trap» effect). The contribution of wildfires, assessed via the aerosol index, was found to be secondary compared to local anthropogenic sources. The proposed approach enables continuous pollution assessment from February to November, significantly supplementing ground-based observation data.Keywords: cryogenic processes, decryption features, automated classification, remote monitoring, and detection of cryogenic processes.

студент 4 курса кафедры геоэкологии РГУ нефти и газа (НИУ) имени И.М. Губкина

старший преподаватель кафедры геоэкологии РГУ нефти и газа (НИУ) имени И.М. Губкина

Мартынович А.А. Теория и методы обеспечения экологической безопасности технологических объектов и территорий в целях устойчивого природопользования на примере Западной Сибири: автореферат дис. ... доктора технических наук: 25.00.36 / Моск. гос. ун-т геодезии и картографии. Москва. 2003. 40 с.

Бондур В.Г. Космический мониторинг антропогенных воздействий на воздушную среду // Исследование Земли из космоса. 2021. №1. С. 3-21. DOI: 10.31857/S0205961421010036.

Морозова А.Э., Сизов О.С., Миронова М.А. Дистанционная оценка качества атмосферного воздуха в пределах крупнейших месторождений нефти и газа России (2019-2023) // Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. №1. С. 285-300. DOI: 10.21046/2070-7401-2025-22-1-285-300.

Морозова А.Э., Сизов О.С., Миронова М.А., Лобжанидзе Н.Е. Дистанционная оценка качества атмосферного воздуха в населенных пунктах нефтегазовой специализации Ямало-Ненецкого автономного округа // Геодезия и картография. 2023. №11. С. 31-42. DOI: 10.22389/0016-7126-2023-1001-11-31-42.

Морозова А.Э., Сизов О.С., Елагин П.О., Агзамов Н.А. Интегральная оценка качества атмосферного воздуха в крупнейших городах России на основе данных TROPOMI (Sentinel-5P) за 2019-2020 гг. // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. №4. С. 23-39. DOI: 10.21046/2070-7401-2022-19-4-23-39.

Kaplan G., Avdan Z.Y. Space-borne air pollution observation from Sentinel-5P TROPOMI: Relationship between pollutants, geographical and demographic data. International Journal of Engineering and Geosciences. 2020. Vol. 5. No. 3. Pp. 130-137. DOI: 10.26833/ijeg.644089.

Дубнов Ю.А., Полищук В.Ю., Попков Ю.С. [и др.] Метод энтропийно-рандомизированного восстановления пропущенных данных // Автоматика и телемеханика. 2021. №4. С. 140-160. DOI 10.31857/S0005231021040061. EDN KDPJBJ.

Gorelick N., Hancher M., Dixon M. et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment. 2017. Vol. 202. Pp. 18-27. DOI: 10.1016/j.rse.2017.06.031.

Veefkind J.P., Aben I., McMullan K. et al. TROPOMI on the ESA Sentinel-5 Precursor: A GMES mission for global observations of the atmospheric composition for climate, air quality and ozone layer applications. Remote Sensing of Environment. 2012. Vol. 120. Pp. 70-83. DOI: 10.1016/j.rse.2011.09.027.

Гусев А.П., Флерко Т.Г. Дистанционный индикатор риска загрязнения атмосферы, TROPOMI Air Quality Index, при мониторинге трансграничных воздействий // Ученые записки Крымского федерального университета имени В.И. Вернадского. География. Геология. 2025. Т. 11 (77). №2. С. 120-129.

Константинова А.М., Бриль А.А., Лупян Е.А. Оценки выбросов диоксида азота по данным прибора TROPOMI и с учетом метеоусловий // Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. №6. С. 153-167. DOI 10.21046/2070-7401-2025-22-6-153-167.

Hersbach H., Bell B., Berrisford P. et al. The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society. 2020. Vol. 146. No. 730. Pp. 1999-2049. DOI: 10.1002/qj.3803.

NASA. Algorithm Overview [Электронный ресурс]. URL: https://atmosphere-imager.gsfc.nasa.gov/products/daily/algorithmoverview (дата обращения: 14.04.2026).

Chan K.L., Khorsandi E., Liu S., Baier F., Valks P. Estimation of surface NO2 concentrations over Germany from TROPOMI satellite observations using a machine learning method. Remote Sensing. 2021. Vol. 13. No. 5. Art. 969. DOI 10.3390/rs13050969.

Коптев С.В., Алабдуллахалхасно Х. Применение алгоритма Random Forest для анализа динамики таeжно-тундровых лесных экосистем // Известия высших учебных заведений. Лесной журнал. 2025. №2. С. 210-218.