Розробка інформаційної системи дослідження рівня забрудненості атмосфери за даними космічного знімання

Abstract

Кваліфікаційна робота присвячена архітектурному проєктуванню та програмній реалізації інформаційної системи для моніторингу екологічного стану атмосферного повітря на основі супутникових знімків угруповання Sentinel екосистеми Copernicus. У роботі виконано детальний аналіз предметної області та наявних геоінформаційних сервісів моніторингу. Інструментарій розробленої системи забезпечує автоматизоване вилучення, обробку та просторовий аналіз ключових параметрів стану атмосфери. Досліджувані показники включають концентрації діоксиду азоту (NO2), діоксиду сірки (SO2), монооксиду вуглецю (CO) та рівень дрібнодисперсних аерозолів (PM2.5), які фіксуються багатоспектральним інструментом TROPOMI. Запропоновано та реалізовано клієнт-серверну архітектуру на базі Next.js, Python (FastAPI) та Celery для асинхронного опрацювання великих обсягів просторових даних. Для моделювання часових рядів та прогнозування динаміки концентрації забруднюючих речовин (зокрема NO2, SO2, CO, PM2.5) застосовано рекурентну нейромережеву архітектуру довгої короткострокової пам'яті (LSTM), що забезпечує стабільну обробку послідовностей вимірів. Система містить інтерактивну карту з накладанням теплових шарів та генерацію аналітичних звітів.

The qualification work focuses on the architectural design and software implementation of an information system for monitoring the ecological state of atmospheric air using satellite imagery from the Sentinel constellation of the Copernicus ecosystem. A comprehensive analysis of the domain and existing geographic information services was performed. The tools of the developed system provide automated extraction, processing, and spatial analysis of key atmospheric state parameters. The investigated indicators include the concentrations of nitrogen dioxide (NO2), sulfur dioxide (SO2), carbon monoxide (CO), and fine aerosol levels (PM2.5) recorded by the multispectral TROPOMI instrument. A client-server architecture based on Next.js, Python (FastAPI), and Celery was proposed and implemented to handle the asynchronous processing of large geospatial datasets. To model time-series data and predict pollution concentration trends (such as NO2, SO2, CO, PM2.5), a Long Short-Term Memory (LSTM) recurrent neural network architecture was utilized, ensuring efficient sequential data modeling. The system integrates an interactive map with heat layer overlays and analytical report generation tools.