| 1. Метеорологично осигуряване и събиране на данни (WG1 и WG2).
1.1. Установяване на SI-проследимост за NO2.
1.2. Организиране на полевите измервания в структурирана гео-база данни.: Дейност 1. Метрологично осигуряване и събиране на данни (WG1 и WG2) представлява концептуалния и технически фундамент на проекта, като е пряко обвързана с приоритетите на COST Акция CRIM (CA24155) за постигане на метрологична проследимост и надеждно количествено определяне на неопределеността (UQ). Основната научна стратегия, ръководена от чл. кор. проф. Екатерина Бъчаварова, е насочена към изграждането на физически консистентна рамка за „наземна истина“ чрез интегриране на вертикални атмосферни профили и високоточни наземни измервания.
Подзадача 1.1. Установяване на SI-проследимост за NO₂
Тази подзадача адресира критичната нужда от измервания, които са пряко проследими към Международната система единици (SI), което е основна цел на мрежата CRIM. Процесът включва:
Наземни референтни измервания (WG2): Използват се инструменти от висок клас, които осигуряват специфичност към NO2 и минимизират системните грешки от интерференция с други азотни съединения. Тези измервания се провеждат с висока времева резолюция (1–5 минути) и служат за долна гранична рамка при конструирането на референтните колони.
Вертикално профилиране (WG1): Чрез лидарни системи (DIAL или хармонизирани конфигурации) се извличат профили на NO2 от приземния слой до свободната тропосфера (обикновено до 8–12 km) с вертикална разделителна способност от 30 до 150 метра. Тези профили са от съществено значение за сравнението със спътниковите данни чрез прилагане на ядра на усредняване (averaging kernels).
Метрологични протоколи: Под ръководството на проф. Бъчаварова се прилагат строги процедури за калибриране и валидация, съобразени със стандартите на CRIM, като се отчита влиянието на динамиката на атмосферния граничен слой и метеорологичните параметри върху точността на измерването.
Подзадача 1.2. Организиране на полевите измервания в структурирана гео-база данни
За да се осигури ефективен анализ и оперативна съвместимост, ас. Стоян Георгиев и ас. Десислава Костова отговарят за систематизирането на събраната информация.
Архитектура на данните: Изгражда се специализирана гео-база данни, която обединява масивите от лидарните профили и наземните станции в унифициран формат, улесняващ напасването (co-location) с преминаванията на спътника Sentinel-5P/TROPOMI.
Метаданни и FAIR принципи: Организацията на данните следва принципите FAIR (Findable, Accessible, Interoperable, Reusable), като всеки запис се придружава от детайлни метаданни за инструменталния шум, параметрите на калибриране и априорните атмосферни условия.
Интеграция за UQ анализ: Базата данни е проектирана да поддържа Байесовия йерархичен подход за количествено определяне на неопределеността, като Стоян Георгиев осигурява софтуерната съвместимост на полевите данни с числените модели.
Тази дейност осигурява не само необходимия обем данни за 24-месечния период на проекта, но и гарантира, че българският принос към CRIM е базиран на най-високите метрологични стандарти за атмосферни изследвания. |
6 300.00
|
0.00
|
| 2. Автоматизация на обработката на спътникови данни и хармонизация.
2.1. Разработване на автоматизирани скриптове за сваляне на данни от Sentinel-5P/TROPOMI.
2.2. Напасване (co-location) с наземните референтни обекти.: Дейност 2. „Автоматизация на обработката на спътникови данни и хармонизация“ е критичен етап от технологичната реализация на проекта, имащ за цел превръщането на масивните потоци от данни от мисията Sentinel-5P в метрологично съвместими набори за последващ анализ. Тази дейност се изпълнява в периода между 3-ия и 18-ия месец под ръководството на проф. д-р Лъчезар Филчев, с участието на ас. Стоян Георгиев и широко използване на високоспециализирани външни услуги за програмиране. Като професор по дистанционни изследвания, бих подчертал, че обработката на данни от хиперспектралния сензор TROPOMI, който разполага с над 4000 спектрални канала, изисква изчислителна мощ и алгоритмична прецизност, надхвърлящи стандартните ГИС методи.
2.1. Разработване на автоматизирани скриптове за сваляне на данни от Sentinel-5P/TROPOMI
Огромният обем на данните — достигащ терабайти за изследвания период — налага създаването на стабилен Python-базиран „pipeline“ за автоматизирано пакетно изтегляне. Изпълнението включва:
Използване на приложни програмни интерфейси (API): Скриптовете ще комуникират директно с Copernicus Data Space Ecosystem, използвайки съвременни API протоколи за филтриране на продуктите по време, географски обхват (area of interest) и тип (Offline L2 NO₂).
Осигуряване на интегритет и непрекъснатост: Програмната среда ще бъде проектирана да управлява прекъсвания в интернет връзката, като автоматично възобновява процеса от точката на спиране и избягва дублирането на данни.
Първично филтриране по качество: Скриптовете ще включват алгоритми за автоматична проверка на метаданните, запазвайки само пиксели с висока надеждност (стойност на показателя за качество qa_value над 0.75), съгласно препоръките на ESA.
2.2. Напасване (co-location) с наземните референтни обекти
Хармонизацията е процесът на привеждане на спътниковите измервания (които представляват пространствено усреднени стойности над пиксел с размер до 3.5 x 5.5 km²) и наземните точкови наблюдения към обща физическа основа.
Пространствено и времево съгласуване: Ще се приложи методът на „най-близкия съсед“ или усредняване в рамките на определен радиус (напр. 20–50 km) около наземните станции от мрежата CRIM (като сайта SOF в София, както и съседните Солун и Букурещ). Спътниковите преминавания, които се случват около 13:30 местно време, ще бъдат напаснати с наземни измервания, усреднени в прозорец от ±1 до ±3 часа, за да се минимизират грешките от динамиката на емисиите.
Прилагане на ядра на усредняване (Averaging Kernels): Под ръководството на проф. Филчев ще се извърши математическо „налагане“ на спътниковата вертикална чувствителност (описана чрез AK) върху лидарните профили от WG1. Това е жизненоважно за коректното сравнение между „възприетото“ от спътника и реалното вертикално разпределение на NO₂ в атмосферата.
Технологичен инструментариум: За операциите по прегридиране (regridding) и биниране на данните ще се използва специализираният софтуерен пакет HARP от атмосферния инструментариум на ESA, което гарантира съвместимост с международните Cal/Val стандарти.
Използването на до 40% от бюджета за външни услуги позволява внедряването на машинно обучение за интерполация на липсващи данни (поради облачност) и създаване на интерактивна уеб-платформа за визуализация на резултатите в близко до реално време. Този подход директно подкрепя целите на CRIM за изграждане на висококачествена и оперативно съвместима научна инфраструктура. |
10 800.00
|
0.00
|
| 3. Разработване на комплексен модел за количествено определяне на неопределеността (UQ).
3.1. Оценка на инструменталните и геофизичните неопределености чрез Байесов подход и числени симулации.: Дейност 3. „Разработване на комплексен модел за количествено определяне на неопределеността (UQ)“ е фундаментален етап от проекта, който цели да превърне стандартните спътникови измервания в метрологично валидирани данни с висока степен на доверие. Като специалист по атмосферна физика, подчертавам, че изчисляването на пълния бюджет на неопределеността е от критично значение за използването на данните за NO2 при климатично моделиране и вземане на регулаторни решения. Тази дейност се изпълнява в периода от 6-ия до 21-ия месец под ръководството на гл. ас. д-р Антония Мокрева, с активното участие на ас. Десислава Костова и стратегическото наставничество на чл. кор. проф. Екатерина Бъчаварова.
3.1. Оценка на инструменталните и геофизичните неопределености чрез Байесов подход и числени симулации
Основният научен стремеж в тази подзадача е изграждането на многостепенна UQ рамка, която експлицитно включва три основни групи източници на грешки:
Инструментални неопределености: Те обхващат неопределеността в спектроскопичните параметри (абсорбционни сечения), грешките при калибриране на наземните и спътниковите сензори, системния шум в детекторите и допусканията в алгоритмите за ретривъл (напр. DOAS фит). Тук се включва и анализ на измервателния шум, който е доминиращ при ниски фонови концентрации.
Геофизични и атмосферни неопределености: Тези грешки произтичат от динамиката на атмосферния граничен слой, вариабилността във вертикалното смесване и стратификацията на атмосферата. Особено внимание се обръща на неопределеността на въздушния масов фактор (AMF), който е най-несигурният параметър в алгоритъма и се влияе силно от аерозолното разсейване, облачното замърсяване и точността на повърхностното албедо. В замърсени райони AMF грешката често варира между 30% и 50%.
Неопределеност от представителност (Representation error): Този компонент адресира грешките, възникващи при напасване на различни пространствени и времеви скали — например сравняване на точково наземно измерване със средната стойност на спътников пиксел (до 3.5 x 5.5 km²).
Методология на изпълнение
За интегрирането на тези комплексни фактори екипът ще приложи иновативни статистически методи:
Байесов йерархичен подход: Чрез използването на Байесови модели ще бъдат диагностицирани два типа неопределености — алеаторна (произтичаща от присъщия шум в данните) и епистемична (резултат от несъвършенствата на самия физичен модел). Този подход позволява да се определят доверителни интервали около прогнозите, което подобрява надеждността при екстремни нива на замърсяване.
Монте Карло симулации: Методът ще се използва за разпространение (propagation) на неопределеностите през пълната верига на обработка. Чрез генериране на хиляди итерации с пертурбирани входни параметри (напр. промяна на височината на граничния слой или облачното налягане), ще се дефинира статистическото разпределение на възможните стойности на вертикалната колона NO₂.
Използване на измерени профили (Lidar): Концептуалната иновация тук е замяната на моделните априорни профили с реално измерени вертикални разпределения от WG1 (Lidar), което драстично намалява т.нар. „smoothing error“ при сравнението със спътниковите данни.
Крайният резултат от дейността е валидиран UQ алгоритъм, който предоставя количествена оценка на атмосферната вариабилност и грешките от представителност. Този модел ще бъде оперативно приложим и към бъдещи спътникови мисии, осигурявайки стабилна „наземна истина“ за програмата Copernicus. |
1 800.00
|
0.00
|
| 4. Валидация и числово моделиране на епизоди с екстремно замърсяване.
4.1. Оценка на спътниковите продукти чрез сравнение с референтните колони.
4.2. Анализ на системните грешки.: Дейност 4. „Валидация и числово моделиране на епизоди с екстремно замърсяване“ е финалният етап от научноизследователския цикъл на проекта, в който разработената метрологична рамка се подлага на „стрес тест“ в условия на високи концентрации на NO2. Тази дейност е от решаващо значение за регулаторния мониторинг и системите за ранно предупреждение, тъй като стандартните спътникови алгоритми често проявяват най-големи отклонения именно при екстремни събития. Изпълнението е планирано за периода от 9-ия до 24-ия месец от екип в състав: ас. Стоян Георгиев, проф. д-р Лъчезар Филчев и гл. ас. д-р Антония Мокрева.
4.1. Оценка на спътниковите продукти чрез сравнение с референтните колони
Под ръководството на проф. Филчев се извършва метрологична съпоставка между спътниковите данни (Sentinel-5P/TROPOMI) и конструираните в Дейност 1 референтни вертикални колони.
Методология на сравнението: За осигуряване на физическа консистенция, сравнението не се основава на прости точкови корелации, а използва ядра на усредняване (averaging kernels). Това позволява спътниковата чувствителност да бъде математически приложена върху реално измерените лидарни профили, елиминирайки грешките от априорни допускания в спътниковия модел.
Статистически показатели: Изчисляват се ключови индикатори за качество (Quality Indicators – QI) съгласно QA4EO стандартите: систематично отклонение (bias), дисперсия (dispersion) и коефициент на детерминация (R2). Специално внимание се обръща на зависимостта на грешката от общата маса на колоната, тъй като в замърсени градски райони подценяването на тропосферния NO2 може да достигне значителни нива.
Резултати: Изготвянето на детайлни доклади за валидация, които служат за обратна връзка към алгоритмичните екипи на ЕКА (ESA) и EUMETSAT.
4.2. Анализ на системните грешки
Тази подзадача, е насочена към диагностициране на физическите причини за наблюдаваните несъответствия.
Роля на атмосферния граничен слой (ABL): Анализира се как различната стратификация на атмосферата (стабилна, нестабилна или неутрална) влияе върху точността на извличане на NO2. Тъй като азотният диоксид е краткотраен газ, неговото вертикално разпределение е силно зависимо от динамиката на смесване в приземния слой.
Фактори на неопределеност: Изследват се системните грешки, породени от:
Въздушния масов фактор (AMF): Оценява се влиянието на аерозолното разсейване и точността на повърхностното албедо, които са основни източници на систематичен шум.
Грешки от представителност: Количествено се определя отклонението, произтичащо от пространственото несъответствие между размера на спътниковия пиксел (напр. 3.5 x 5.5 km) и локалните градиенти на замърсяване в градска среда.
Числово моделиране на епизоди: Използват се резултатите от Байесовия UQ модел за интерпретация на епизоди с екстремно замърсяване, като се идентифицират условията, при които спътниковият продукт е най-малко надежден.
Крайният резултат от Дейност 4 е изграждането на научно обоснован профил на надеждност на спътниковия мониторинг за Югоизточна Европа. Това позволява превръщането на суровите дистанционни наблюдения в приложима информация за целите на опазването на общественото здраве и климатичното моделиране. |
1 800.00
|
0.00
|
| 5. Управление на проекта.
5.1. Разпространение на резултатите.
5.2. Управление на външни услуги за ML оптимизация и визуализация в реално време.: Дейност 5. „Управление на проекта и разпространение на резултатите“ е финалният интеграционен стълб на проекта CRIM-VERIFY-NO2, който гарантира научното качество, административната изрядност и обществената видимост на изследванията. Като професор по дистанционни изследвания, бих искал да подчертая, че ефективното управление в рамките на COST Акция изисква не само координация на екипа, но и активен диалог с международните Cal/Val общности на ESA и EUMETSAT.
5. Управление на проекта
Тази дейност се изпълнява през пълния 24-месечен период под прекия надзор на чл. кор. проф. Екатерина Бъчварова. Тя включва:
Научна координация: Проф. Бъчварова ръководи стратегията за физика на атмосферния граничен слой, която е в основата на конструирането на референтните колони. Осигурява се взаимодействие между подзадачите на работните групи (CRIM WG1 и WG2) за постигане на метрологична проследимост.
Административно и финансово управление: Изготвяне на междинни и финални научни и финансови отчети към Фонд „Научни изследвания“ (ФНИ) и структурите на COST.
Управление на данни: Мониторинг на изпълнението на Плана за управление на данни (DMP) и гарантиране на съответствието с принципите FAIR (откриваемост, достъпност, съвместимост и повторна употреба).
5.1. Разпространение на резултатите
В съответствие с ангажимента за Отворена наука, екипът планира широко разпространение на постигнатите резултати.
-Научни публикации: Подготовката на статии в реферирани списания с висок импакт фактор (напр. Atmospheric Measurement Techniques или Remote Sensing) е основен очакван резултат.
-Сътрудничество със заинтересованите страни: Организиране на работни срещи и технически брифинги с национални екологични агенции, както и с моделиращите общности (като CAMS).
-Международно представяне: Представяне на резултатите от валидацията на специализирани конференции на ESA, EUMETSAT, EMS и работните срещи на COST CRIM.
5.2. Управление на външни услуги за ML оптимизация и визуализация в реално време
Тази подзадача адресира технологичната иновация в проекта, като максимално използва допустимите 40% от бюджета за високоспециализирани външни услуги.
Машинно обучение (ML): Услугите ще се фокусират върху разработването на напреднали архитектури (като Random Forest или CNN) за оценка на приземните концентрации на NO2 от спътникови колони. Ключов елемент е интегрирането на UQ (Uncertainty Quantification) директно в ML моделите, за да се осигури оценка на доверието за всеки пиксел. |
5 300.00
|
0.00
|
