Каждый день мы вдыхаем воздух, полный невидимых частиц. Самые опасные из них – те, что меньше 2,5 микрометров (PM?.?). Они проникают глубоко в лёгкие, а оттуда – в кровь, неся с собой токсичные металлы. Но откуда они берутся в наших квартирах и аудиториях? Ответ на этот вопрос искали доценты ЮУрГУ Татьяна Крупнова и Ольга Ракова. Их исследование, поддержанное грантом Российского научного фонда (проект № 25?27?00030), опубликовано в престижном журнале ?International Journal of Environmental Research? (Scopus, Q2). Главный герой этой работы – даже не химический анализатор, а сложный, но удивительно элегантный математический аппарат, который позволил буквально ?разложить по полочкам? все источники загрязнения.
Что такое PM?.? и почему это важно
PM – это ?Particulate Matter?, взвешенные частицы. Индекс 2.5 говорит об их диаметре: он не превышает 2,5 микрометра. Для сравнения: волос человека в 30 раз толще. Такая мелочь образуется при сгорании топлива, в промышленных печах и от колёс машин.
Учёные отбирали пробы воздуха внутри и снаружи квартир, а также в университетских аудиториях и лабораториях – в течение двух сезонов, чтобы учесть погодные колебания. Выяснилось: более 80 % всей уличной пыли – это как раз опасная мелкая фракция PM?.?. Внутри помещений её концентрация всего на 11 % ниже, чем снаружи. Это чётко указывает: основная масса частиц поступает в дома не из кухни или от ковров, а с улицы.
Но какие именно уличные источники – заводская труба, автотрасса или, скажем, пыль от пожаров – вносят свой вклад? Вот тут?то и вступает в дело математика.
Математический детектив: метод положительной матричной факторизации
Учёные применили метод положительной матричной факторизации (Positive Matrix Factorization, PMF). Это не просто статистический трюк, а настоящий алгоритм?следователь для химических данных.
Как он устроен? Представьте, что у нас есть таблица (матрица), в строках которой – пробы воздуха, а в столбцах – концентрации 12 измеренных металлов и металлоидов (Al, As, Cd, Co, Cr, Cu, Fe, Mn, Ni, Pb, Sr, Zn). Всего таких проб – несколько десятков. PMF разбивает эту большую таблицу на две маленькие:
- Матрицу профилей источников – в ней для каждого источника указан его типичный ?химический почерк?: набор элементов и их пропорции. Например, для выхлопных газов это один набор, для сталеплавильного производства – совсем другой.
- Матрицу вкладов – она показывает, сколько каждый источник ?добавил? PM?.? в каждую конкретную пробу.
Алгоритм делает это итеративно, то есть шаг за шагом подбирает такие две матрицы, чтобы их произведение как можно точнее совпадало с исходными данными. При этом он учитывает погрешности измерений: сильные разбросы в данных он ?штрафует? меньше, а точные точки – больше. В итоге получается решение, которое минимально отклоняется от реальности с учётом ошибок.
Ключевое условие – все числа в обеих матрицах должны быть положительными (отсюда и название Positive). Это не прихоть, а физический закон: источник не может иметь ?отрицательный? выброс, а элемент не может появляться из ниоткуда. Такой подход исключает бессмысленные математические артефакты и даёт реально интерпретируемые результаты.
Для наглядности – аналогия с коктейлем. Вы знаете, что в напитке есть сахар, лимон и несколько соков, но не видите их раздельно. PMF, имея много проб этого коктейля с разными пропорциями, выделяет ?рецепты? каждого сока и определяет, сколько миллилитров каждого сока налито в каждый стакан. Только вместо сахара и сока – металлы, а вместо стаканов – воздух в комнатах.
Почему результатам можно верить: двойная проверка на прочность
Как убедиться, что выделенные источники – не случайный узор, а настоящие ?отпечатки пальцев? заводов и машин? Для этого учёные устроили математическую ?проверку на вшивость? сразу двумя способами.
Первый способ – Bootstrap (BS). Представьте, что у вас есть мешок с сотней шаров разного цвета, и вы хотите понять, каких цветов там больше. Вместо того чтобы пересчитывать все шары, вы много раз вытаскиваете наугад по 30 шаров, каждый раз возвращая их обратно, и считаете пропорции. Если при каждом новом ?вытягивании? пропорции цветов почти одинаковы – значит, ваша оценка надёжна. В точности так же PMF запускают снова и снова на случайных подвыборках проб воздуха. Если при всех запусках получаются одни и те же группы металлов – значит, эти группы реальны, а не случайное совпадение.
Второй способ – Displacement (DISP). Это проверка на устойчивость. Например, вы построили карточный домик, а затем слегка дуете на него – если он не рухнул, значит, конструкция прочна. Здесь роль ?дуновения? играют крошечные искажения исходных концентраций металлов (в пределах ошибки измерений). Учёные проверяют: если чуть?чуть изменить цифры, не начнёт ли PMF выдавать совершенно другие источники? В нашем случае даже при таких ?встрясках? выделенные профили остались теми же.
Обе проверки успешно пройдены. Значит, шесть найденных типов источников – не математический артефакт, а реальные факторы, которые действительно влияют на воздух, которым мы дышим.
Что показал анализ
PMF чётко выделил шесть типов внешних источников, которые формируют состав PM?.? внутри помещений: например, производство, дорожную пыль, транспортные газы и другие. Но гораздо важнее сам факт: это первое в России исследование, применившее PMF для количественной оценки именно внутреннего воздуха. В мировой науке таких работ тоже считаные единицы – подавляющее большинство сосредоточено на уличной атмосфере. А ведь мы проводим в помещениях до 90 % времени! Прорыв южноуральских учёных в том, что они адаптировали и детально верифицировали этот метод для замкнутых пространств, получив уникальные данные о том, как промышленность и транспорт ?просачиваются? в наши дома.
Что это даёт на практике
Результаты открывают путь к точечной борьбе за чистоту. Вместо общих призывов ?улучшить экологию? городские власти и экологи могут использовать такие расчёты, чтобы определить, какое предприятие или какой вид транспорта даёт наибольший вклад в загрязнение конкретного района, и воздействовать именно на него. Это превращает борьбу за воздух из наугад в высокоточную стратегию.
Особо подчеркнём: данная работа – не абстрактная академия, а яркий пример того, как в российских университетах ведутся исследования мирового уровня, способные защитить здоровье людей и улучшить экологическую ситуацию в эпоху нарастающего климатического кризиса.
?Наше исследование показывает, что математическое моделирование – это не сухая теория, а мощный практический инструмент, – комментирует Татьяна Крупнова. – Благодаря гранту РНФ мы не только выявили источники, но и создали методологию, применимую для любого промышленного города России?.
Работа учёных ЮУрГУ – ещё один шаг к тому, чтобы воздух в наших квартирах, офисах и аудиториях стал безопаснее. И этот шаг сделан с помощью сложной, но невероятно полезной математики.