ZBIGNIEW NAHORSKI
Instytut Bada Systemowych PAN
Wysza Szkoła Informatyki Stosowanej i Zarzdzania w Warszawie
Streszczenie
Zarzdzanie jakoci powietrza atmosferycznego wymaga powizania rónych kategorii danych wejciowych (dane emisyjne, meteorologiczne, fizjograficzne parametry obszaru) oraz analitycznego opisu procesów rozprzestrzeniania si zanieczyszcze (transport, dyspersja, depozycja, przemiany fizyko-chemiczne). Zadaniem właciwego modelu jest dostarczenie ilociowej oceny intensywnoci poszczególnych procesów oraz ich wyników w postaci rozkładu stenia zanieczyszcze lub ich depozycji. Dane te s z kolei podstaw do oceny wynikajcych std zagroe dla rodowiska naturalnego oraz wspomagania decyzji planistycznych. Dua złoono systemu powoduje, e w jego prognozach istnieje do szeroki zakres niepewnoci, który naley uwzgldni w podejmowanych decyzjach. Ocenia si, e jednym z głównych ródeł niepewnoci w danych wejciowych jest opis pola emisji. Celem pracy jest okrelenie wpływu niepewnoci i nieprecyzyjnoci danych emisyjnych na niepewno prognoz generowanych przez model. Obliczenia przeprowadzono na rzeczywistych danych emisyjnych dla Warszawy, przy czym regionalny model CALPUFF wykorzystano do powizania emisji ródeł z rozkładem redniorocznego stenia rónych rodzajów zanieczyszcze w obszarze.
Słowa kluczowe: modelowanie zanieczyszcze atmosferycznych, analiza niepewnoci, algorytm Monte Carlo.
1. Wprowadzenie
Systemy oceny jakoci powietrza atmosferycznego nale do najbardziej złoonych struktur, w których wykorzystywane s komputerowe modele rozprzestrzeniania si zanieczyszcze [10, 11]. Ich budowa i zasada działania łczy wiedz z rónych dziedzin nauki, takich jak: fizyka (np. modele transportu zanieczyszcze w atmosferze), chemia (np. reakcje chemiczne midzy składnikami zanieczyszcze), nauki ekonomiczne (np. analiza kosztów ograniczania emisji, wybór „czystych” technologii), ochrona zdrowia (np. wpływ zanieczyszcze na zdrowie i długo ycia), biologia (np. wpływ zanieczyszcze na rodowisko przyrodnicze), czy informatyka (implementacja komputerowa). Opis matematyczny procesów rozprzestrzeniania si zanieczyszcze jest najczciej oparty na odpowiednim układzie równa adwekcji-dyfuzji (lub równa transportu), opisujcych ich transport w polu wiatru, mieszanie turbulencyjne, przemiany
1 Praca była czciowo wykonana w ramach grantu NN51931673 Ministerstwa Nauki i Szkolnictwa Wyszego. Do czci
fizyko-chemiczne, opadanie na podłoe (procesy tzw. „suchej” i „mokrej” depozycji). Modele te s obecnie wykorzystywane do wspomagania decyzji na rónych szczeblach w dziedzinie kontroli i zarzdzania jakoci rodowiska [1, 2, 4, 11, 12].
Zarzdzanie jakoci powietrza atmosferycznego wymaga powizania rónych kategorii danych wejciowych (dane emisyjne, meteorologiczne, fizjograficzne parametry obszaru) oraz analitycznego opisu procesów rozprzestrzeniania si zanieczyszcze (transport, dyspersja, depozycja, przemiany fizyko-chemiczne). Zadaniem właciwego modelu jest dostarczenie ilociowej oceny intensywnoci poszczególnych procesów oraz ich wyników w postaci rozkładu stenia zanieczyszcze lub ich depozycji. Dane te s podstaw do oceny wynikajcych std zagroe dla rodowiska naturalnego [1–9, 11] (w tym dla zdrowia ludzkiego) oraz do wyboru właciwej (optymalnej) strategii przeciwdziałania, np. przez ograniczenie poziomu emisji lub przejcie na inn technologi wytwarzania energii.
Złoono modeli opisujcych procesy zachodzce w systemach rodowiskowych, a zwłaszcza systemów wspomagania decyzji opartych na tych modelach (porównaj ogólny schemat blokowy przedstawiony na rys. 1) jest bardzo dua. Dlatego te w generowanych przez ten system prognozach i podejmowanych na tej podstawie decyzjach istnieje do duy zakres niepewnoci, który powinien by brany pod uwag. ródła tej niepewnoci le zarówno w samym modelu (uproszczenia opisu matematycznego, pomijanie lub parametryzacja pewnych procesów), jego implementacji numerycznej (aproksymacja skoczenie-wymiarowa procesów cigłych, dyskretyzacja czasowo-przestrzenna obszaru, opis procesów chemicznych, opis dyfuzji turbulencyjnej) oraz przede wszystkim w danych wejciowych, na których model pracuje (dane meteorologiczne oraz emisyjne).
Emisja Populacja Pokrycie terenu Technologie ograniczenia emisji meteorologiczna Drogi Rze ba terenu Przemysł Topografia Uytkowanie terenu Prognoza Efekty Wizualizacja Ekonomia Decyzje Model emisji Pola meteorologiczne Model meteorologiczny Przekształcenia chemiczne Model numeryczny Rozkład zanieczyszcze Usługi
Badania niepewnoci prognoz modeli mog dotyczy kilku aspektów: (a) oceny ilociowej (o ile jest ona moliwa) całkowitego (wypadkowego) zakresu niepewnoci prognoz modelu, wynikajcego z działania wielu czynników, (b) zidentyfikowania głównych ródeł niepewnoci modelu i okrelenia ich wzgldnego udziału w wypadkowej niepewnoci prognoz, (c) okrelenia zakresów parametrów modelu oraz danych wejciowych gwarantujcych uzyskanie dokładnych wyników, (d) okrelenia warunków (wielko obszaru, dyskretyzacja, dokładno inwentaryzacji emisji, dokładno danych wejciowych i kluczowych parametrów modelu), dla których prognozy modelu mona traktowa jako najlepsze.
Dodatkowym utrudnieniem s problemy z ocen dokładnoci prognoz modelu, co wynika z błdów pomiarów, ograniczonego (niepełnego) zwykle zestawu danych pomiarowych (ste lub depozycji), które porównywane s z prognozami modelu w celu oszacowania jego dokładnoci. Z drugiej strony, wyniki generowane przez model s w wielu przypadkach „nieobserwowalne” (niemierzalne lub trudne do zmierzenia) w praktyce [1,2,4,13]. Wynika to m.in. z faktu, e wielkoci wyjciowe obliczane przez model dotycz danych zagregowanych, urednionych wzgldem zmiennych przestrzennych oraz czasu, natomiast pomiar dotyczy z reguły wielkoci punktowych.
W licznych pracach powiconych tym zagadnieniom uwaa si, e głównym ródłem niepewnoci zawartej w prognozach modelu s dane wejciowe. W wikszoci publikacji przewaa natomiast pogld [6,8,9,11], e dane emisyjne stanowi jedno z najpowaniejszych, jeeli nie najpowaniejsze, ródło niepewnoci w modelowaniu rozprzestrzeniania si zanieczyszcze atmosferycznych, niezalenie od zastosowanego modelu. S w zwizku z tym zasadniczym ograniczeniem, jeeli chodzi o moliwo zwikszenia dokładnoci generowanych prognoz.
W zalenoci od przeznaczenia i skali modelu, dane emisyjne mog dotyczy rónych kategorii ródeł (energetyka, przemysł, transport, sektor komunalno-bytowy, rolnictwo), z których kada charakteryzuje si nieco innym poziomem niepewnoci dotyczcej wielkoci emisji:
a) wysokie ródła punktowe (energetyka) – opis jest stosunkowo dokładny, ale wskazane jest uwzgldnienie w modelu pocztkowego wyniesienia smugi zanieczyszcze,
b) redniej wysokoci ródła punktowe (głównie przemysł) – wiksza niepewno w opisie emisji (charakterystyki techniczne i parametry paliwa czsto nie s dokładnie znane), c) ródła powierzchniowe (głównie sektor komunalno-bytowy) – dua niepewno – dane
emisyjne s szacowane na podstawie rodzaju i wielkoci zuycia paliw,
d) ródła liniowe (sie komunikacyjna) – dua niepewno (emisja zaley od natenia ruchu, jakoci paliwa, ale te od charakterystyk technicznych i wieku samochodów). Charakterystyki duych ródeł energetycznych s stosunkowo dokładne, równie w odniesieniu do danych emisyjnych (znana technologia oraz generowana moc, dokładnie opisany proces spalania oraz parametry paliwa). Poziom niepewnoci jest wikszy w przypadku ródeł przemysłowych, zwłaszcza mniejszych zakładów (dua niepewno, co do parametrów uywanego paliwa oraz samego procesu technologicznego). Bardzo dua niepewno towarzyszy natomiast danym dotyczcym transportu samochodowego (co szczególnie wpływa na kocowy wynik w duych miastach, czy aglomeracjach miejsko-przemysłowych), a zwłaszcza emisji sektora komunalno-bytowego, gdy wikszo danych uzyskiwana jest w tym przypadku na podstawie z koniecznoci zgrubnych szacunków. Podobnie, bardzo trudne do dokładnego opisania s pola emisji zwizane z działalnoci sektora rolnego, gdzie dua niepewno towarzyszy na przykład inwentaryzacji ródeł emisji amoniaku (produkcja hodowlana), a take sektora lenego.
Najczciej stosowanymi metodami analizy wraliwoci oraz oceny niepewnoci prognoz modeli zanieczyszcze s: analiza wraliwoci wyników ze wzgldu na zmiany parametrów modelu, analiza niepewnoci (ze wzgldu na dane wejciowe) oparta na wykorzystaniu tzw. „małych zaburze” lub podejcia typu „brute-force” z wykorzystaniem algorytmu Monte Carlo [3,5]. Ta ostatnia metodologia została zastosowana w omawianym zadaniu.
2. Załoenia do oblicze
Analiza dotyczyła prognoz rozprzestrzeniania si zanieczyszcze powietrza w aglomeracji warszawskiej, przy czym do symulacji procesów transportu zanieczyszcze wykorzystano model CALPUFF v.5 (Earth Tech, Inc.) [10]. Jest to gaussowski model smugowy uwzgldniajcy podstawowe procesy atmosferyczne (transport w polu wiatru, przemiany chemiczne, wymywanie zanieczyszcze przez opady oraz ich such depozycj, powstawanie aerozoli). Pola meteorologiczne s generowane przez współpracujcy moduł CALMET, który uwzgldnia m.in. wpływ ukształtowania terenu oraz szorstkoci aerodynamicznej podłoa na przepływ powietrza.
Dla danych z roku 2005 analizowano rozkłady ste redniorocznych nastpujcych rodzajów zanieczyszcze pierwotnych i wtórnych (odpowiednio do kategorii ródeł emisji):
SO2 – dwutlenek siarki,
SO4 – aerozol siarczanowy (zanieczyszczenie wtórne),
NOx – tlenki azotu,
HNO3 – kwas azotowy (zanieczyszczenie wtórne),
NO3 – aerozol azotanowy (zanieczyszczenie wtórne),
PM10 – pyły o rednicy
<
10
µ
m
,PM10-U – pyły PM10 unoszone (emisja wtórna), PM2.5 – pyły o rednicy
<
2
.
5
µ
m
,PM2.5-U – pyły PM2.5 unoszone (emisja wtórna), BAP – benzo-alfa-piren,
Ni – nikiel, Cd – kadm, Pb – ołów,
WWA – wielopiercieniowe wglowodory aromatyczne.
ródła emisji podzielono na 4 kategorie: wysokie ródła punktowe energetyki zawodowej, pozostałe ródła punktowe, ródła liniowe, ródła powierzchniowe (patrz pkt. 1). Kad z tych grup charakteryzuj okrelone parametry techniczne ródeł, skład emitowanych zanieczyszcze oraz zakres niepewnoci wielkoci emisji. W kadej z tych kategorii uwzgldniono take korelacje emitowanych zwizków oraz zakładany zakres niepewnoci emisji poszczególnych zwizków (przedziały obejmujce 95% danych), który został nastpnie uwzgldniony przy generowaniu ich rozkładów, wykorzystanych jako dane wejciowe w procedurze Monte-Carlo. Przyjte zakresy niepewnoci oraz skorelowanie poszczególnych zanieczyszcze przedstawiono w tablicach 1 – 4.
Obliczone rednioroczne wartoci stenia analizowanych substancji były rejestrowane w 563 receptorach, zlokalizowanych na terenie Warszawy zgodnie z rys. 2 oraz rozmieszczonych w wzłach regularnej siatki kwadratowej o kroku 1 km.
Tablica 1. Korelacja emitowanych substancji oraz zakres niepewnoci ( ródła energetyczne)
SO2 NOX PM10 PM25 BAP Ni Cd Pb Niepewno
(przedział 95%) SO2 1 0.7 0.7 0.7 0 0 0 0 ± 15% NOX 0.7 1 0.7 0.7 0 0 0 0 ± 20% PM10 0.7 0.7 1 0.8 0 0 0 0 ± 25% PM25 0.7 0.7 0.8 1 0 0 0 0 ± 25% BAP 0 0 0 0 1 0 0 0 ± 20% Ni 0 0 0 0 0 1 0 0 ± 20% Cd 0 0 0 0 0 0 1 0 ± 20% Pb 0 0 0 0 0 0 0 1 ± 20%
Tablica 2. Korelacja emitowanych substancji oraz zakres niepewnoci ( ródła przemysłowe)
SO2 NOX PM10 PM25 BAP Ni Cd Pb Niepewno
(przedział 95%) SO2 1 0.7 0.7 0.7 0 0 0 0 ± 20% NOX 0.7 1 0.7 0.7 0 0 0 0 ± 30% PM10 0.7 0.7 1 0.8 0 0 0 0 ± 40% PM25 0.7 0.7 0.8 1 0 0 0 0 ± 40% BAP 0 0 0 0 1 0 0 0 ± 40% Ni 0 0 0 0 0 1 0 0 ± 40% Cd 0 0 0 0 0 0 1 0 ± 40% Pb 0 0 0 0 0 0 0 1 ± 40%
Tablica 3. Korelacja emitowanych substancji i zakres niepewnoci ( ródła powierzchniowe)
SO2 NOX PM10 PM25 BAP Ni Cd Pb WWA Niepewno
(przedział 95%) SO2 1 0.7 0.7 0.7 0.6 0 0 0 0 ± 30% NOX 0.7 1 0.7 0.7 0.6 0 0 0 0 ± 40% PM10 0.7 0.7 1 0.7 0.7 0 0 0 0 ± 40% PM25 0.7 0.7 0.7 1 0.7 0 0 0 0 ± 40% BAP 0.6 0.6 0.7 0.7 1 0 0 0 0 ± 50% Ni 0 0 0 0 0 1 0 0 0 ± 50% Cd 0 0 0 0 0 0 1 0 0 ± 50% Pb 0 0 0 0 0 0 0 1 0 ± 50% WWA 0 0 0 0 0 0 0 0 1 ± 50%
Tablica 4. Korelacja emitowanych substancji oraz zakres niepewnoci ( ródła liniowe)
Rys. 2. Rozmieszczenie receptorów oraz stacji monitoringu w obszarze obliczeniowym
SO2 NOx PM10 PM10-U PM25 PM25-U BAP Ni Cd Pb WWA Niepewn. (przedział 95%) SO2 1 0.7 0.5 0.5 0.5 0.5 0.5 0 0 0 0 ± 30% NOX 0.7 1 0.5 0.5 0.5 0.5 0.5 0 0 0 0 ± 40% PM10 0.5 0.5 1 0.7 0.6 0.6 0.5 0 0 0 0 ± 40% PM10-U 0.5 0.5 0.7 1 0.6 0.6 0.5 0 0 0 0 ± 40% PM2.5 0.5 0.5 0.6 0.6 1 0.7 0.5 0 0 0 0 ± 40% PM2.5-U 0.5 0.5 0.6 0.6 0.7 1 0.5 0 0 0 0 ± 40% BAP 0.5 0.5 0.5 0.5 0.5 0.5 1 0 0 0 0 ± 50% Ni 0 0 0 0 0 0 0 1 0 0 0 ± 50% Cd 0 0 0 0 0 0 0 0 1 0 0 ± 50% Pb 0 0 0 0 0 0 0 0 0 1 0 ± 50% WWA 0 0 0 0 0 0 0 0 0 0 1 ± 50%
3. Realizacja oblicze i gromadzenie wyników
Zasadniczym celem oblicze było okrelenie wpływu niepewnoci danych emisyjnych wszystkich badanych ródeł zanieczyszcze na wynikow niepewno prognoz ste generowanych przez model. Obliczenia przeprowadzono metod Monte Carlo [3, 5]. Dla analizowanych ródeł wygenerowane zostały zestawy losowych wartoci emisji (przyjto rozkład normalny) z parametrami rozkładu dotyczcymi zakresu niepewnoci emisji oraz korelacji poszczególnych zwizków podanymi w tablicach 1 – 4. Obliczenia przeprowadzono kolejno dla zestawu 100, 1000 oraz 2000 przebiegów modelu, realizujcych roczn prognoz rozkładu stenia.
Ze wzgldu na ogromn liczb ródeł emisji: 1018 ródeł punktowych, 878 powierzchniowych 1157 liniowych (emisja ródeł powierzchniowych oraz liniowych jest wprowadzana do oblicze w postaci siatki o kroku dyskretyzacji 1 km x 1 km) oraz receptorów, du liczb zwizków zanieczyszczajcych, konieczno wykonania kilku tysicy całorocznych symulacji – obliczenia s bardzo czasochłonne. Z uwagi jednak na liniow struktur modelu CALPUFF [10], jest moliwe rozdzielenie oblicze, zarówno ze wzgldu na pojedyncze ródła, jak i receptory. T własno wykorzystano do zrównoleglenia procesu obliczeniowego.
W celu umoliwienia wykorzystania wyników do dalszej, wielokierunkowej analizy (w szczególnoci, do analizy zakresu niepewnoci prognoz) s one umieszczane w dedykowanej bazie danych (Postgres), pozwalajcej na selektywny wybór danej informacji. Baza składa si z dwóch czci: a) CALPUFF – komplet pełnych danych wyjciowych otrzymanych podczas oblicze (ok. 100 mln rekordów, 20 GB), b) EXTPUFF – zagregowany zestaw podstawowych danych dla wszystkich receptorów (ok. 1 mln rekordów, 2GB).
Baza CALPUFF umoliwia uzyskanie pełnych informacji, np. dotyczcych rozkładu niepewnoci prognoz (dystrybuanta empiryczna, rozkład gstoci próbki, percentylowe zakresy niepewnoci) kadego z analizowanych rodzajów zanieczyszcze w dowolnym receptorze oraz dla wybranego zestawu przebiegów modelu (100, 1000, 2000 przebiegów).
Dla przykładu, na rysunku 3 przedstawiono przykład okna dialogowego bazy CALPUFF, które uruchamia wykonanie odpowiedniej kwerendy w przypadku analizy niepewnoci rozkładu sumarycznego (zaznaczona opcja Kind 4) stenia SO2 w receptorze nr 75 po symulacji 2000
przebiegów modelu prognostycznego. Podobnie, rys. 4 przedstawia okno dialogowe zredukowanej bazy EXTPUFF, gdzie celem kwerendy jest uzyskanie zagregowanych danych statystycznych dotyczcych niepewnoci rozkładów stenia SO2 we wszystkich receptorach po symulacji 2000
losowych scenariuszy emisyjnych metod Monte Carlo.
Rys. 4. Okno dialogowe bazy EXTPUFF (wybór zagregowanych informacji statystycznych n/t sumarycznego stenia SO2 we wszystkich receptorach dla 2000 przebiegów)
Dodatkowo, graficzn prezentacj wyników symulacji umoliwia zintegrowanie ogólnej bazy danych z oprogramowaniem ArcGis-ArcMap. Kilka wybranych przykładów jego wykorzystania przedstawiono w nastpnym punkcie.
4. Analiza wyników – przykłady
Graficzn prezentacj wyników umoliwia zintegrowanie ogólnej bazy danych z oprogramowaniem ArcMap. Przykładowa wizualizacja przedstawiona na Rysunek 5 dotyczy obliczonych wartoci rednich oraz rozkładów ste PM10 w receptorach, dla wybranego fragmentu obszaru Warszawy. Orientacyjny rozkład niepewnoci obrazuj bezporednio wykresy słupkowe. Jest ponadto moliwo pełnego rozwinicia wyników dla wybranego receptora. Umieszczone w ramce wykresy dotycz receptora 275 (wlot Trasy Łazienkowskiej od strony Powila) i przedstawiaj: dystrybuant empiryczn rozkładu, rozkład gstoci oraz standardowy wykres typu box plot ilustrujcy przedziały niepewnoci. Gwiazdkami oznaczono stacje monitoringu jakoci powietrza.
Rys. 5. Rozwinicie rozkładu stenia pyłów PM10 w receptorze 275 (Trasa Łazienkowska) Uzyskane wyniki pozwalaj równie formułowa ogólne wnioski dotyczce m.in. wpływu na rodowisko poszczególnych kategorii ródeł (porównaj rys. 6). W szczególnoci, zanieczyszczenia pyłowe na obszarze aglomeracji warszawskiej pochodz głównie ze ródeł liniowych (PM10) oraz powierzchniowych (PM10 oraz PM2.5). Duy zakres niepewnoci prognoz tych zanieczyszcze (waha si od ±6% do ±30% w zalenoci od lokalizacji receptora) wynika z duej niepewnoci danych emisyjnych dla obu tych kategorii ródeł (porównaj, np. tablice 3, 4). Wpływ ródeł punktowych w przypadku tej grupy zanieczyszcze jest nieznaczny. Odpowiednie wyniki dla receptora 275 (Trasa Łazienkowska) dotyczce zarówno zakresu niepewnoci wyników jak i udziału poszczególnych rodzajów ródeł emisji, przedstawia górna cz rys. 6.
ródła punktowe (wysokie i niskie) maj z kolei znaczny udział w zanieczyszczeniach gazowych, w szczególnoci SO2 oraz NOX. Rysunek 6 (dolna cz) ilustruje rozkład niepewnoci
W konsekwencji, zakres niepewnoci tych prognoz jest mniejszy, rzdu kilku procent (rys. 6a), z uwagi na wiksz dokładno danych emisyjnych dla ródeł punktowych (porównaj tablice 1,2).
a) b)
Rys. 6. Rozkłady ste PM10 (góra) oraz SO2 (dół) w receptorze 275 (Trasa Łazienkowska): rozkłady niepewnoci prognozy ste, (b) udział kategorii ródeł emisji w steniu 5. Podsumowanie
Praca jest powicona ilociowej ocenie niepewnoci w prognozowaniu rozprzestrzeniania si zanieczyszcze atmosferycznych, wynikajcej z niepewnoci oraz nieprecyzyjnoci danych emisyjnych. Obliczenia oparto na rzeczywistych danych emisyjnych oraz meteorologicznych dla Warszawy (rok 2005), natomiast rozprzestrzenianie si zanieczyszcze oraz ich ostateczne oddziaływanie na rodowisko analizowano za porednictwem znanego modelu regionalnego CALPUFF [10]. W obliczeniach uwzgldniono wszystkie zewidencjonowane ródła emisji, przy czym objły one kilkanacie najwaniejszych rodzajów zanieczyszcze atmosfery. Ze wzgldu na ograniczon objto opracowania, przedstawiono w nim jedynie wybrane wyniki, które ilustruj moliwoci do wszechstronnej analizy niepewnoci i nieprecyzyjnoci w prognozowaniu procesów transportu zanieczyszcze atmosferycznych w redniej skali przestrzennej. W szczególnoci, naley zwróci uwag na fakt, e zakres niepewnoci prognozy ma zwizek z rodzajem zanieczyszcze (np. zanieczyszczenia gazowe lub pyłowe), przy czym w przypadku duych aglomeracji miejsko-przemysłowych, wyra nie wiksza niepewno dotyczy gro nych dla
PM10 - udział ródeł emisji
8% 90% 2% 0% A REA LIN LOW HIGH
SO2 - udział ródeł emisji
14% 31% 28% 27% AREA LIN LOW HIGH
zdrowia zanieczyszcze pyłowych. Naley równoczenie pamita, e otrzymane wyniki zawsze charakteryzuj konkretn aglomeracj, zale te od wzajemnej lokalizacji ródeł i receptorów.
W kolejnych opracowaniach bdzie przedstawiona pełna analiza niepewnoci samych prognoz modelowania oraz wpływu tej niepewnoci na decyzje dotyczce ew. strategii ograniczania emisji.
Podzikowanie: Autorzy dzikuj Wojciechowi Trappowi oraz pracownikom firmy EKOMETRIA za pomoc w opracowaniu danych emisyjnych wykorzystanych w projekcie.
%LEOLRJUDILD
[1] ApSimon H.M., Warren R.F. Kayin S.: Addressing uncertainty in environmental modeling: a case study of integrated assessment of strategies to combat long-range transboundary air pollution. Atmospheric Environment, 36, 2002, 5417–5426.
[2] Durbach I.N., Stewart T.J.: Using expected values to simplify decision making under uncertainty. Omega – the International Journal of Management Science. 37. 2009, 312–330. [3] Hanna S.R., Chang J.C., Fernau M.E.: Monte Carlo estimates of uncertainties in predictions
by photochemical grid model (UAM-IV) due to uncertainties in input variables. Atmospheric Environment. 32, 1998, 3619–3628.
[4] Hanna S.R., Lu Z., Frey H.C., Wheeler N., Vukovich J., Arunachalam S., Fernau M., Hansen D.A.: Uncertainties in predicted ozone concentrations due to input uncertainties for the UAM-V photochemical grid model applied to the July 1995 OTAG domain. Atmospheric Environment. 35, 2001, 891–903.
[5] Moore G.E., Londergan R.J.: Sampled Monte Carlo uncertainty analysis for photochemical grid models. Atmospheric Environment, 35, 2001, 4863–4876.
[6] Page T., Whyatt J.D.,. Beven K.J., Metcalfe S.E.: Uncertainty in modeled estimates of acid deposition across Wales: a GLUE approach. Atmospheric Environment, 38, 2003, 2079–2090. [7] Park S.-K., Cobb C.E., Wade K., Mulholland J., Hu Y., Russel A.G.: Uncertainty in air quality model evaluation for particulate matter due to spatial variations in pollutant concentrations. Atmospheric Environment, 40, 2006, pp. 563–S573.
[8] Russel A., Dennis D.: NASTRO critical review of photochemical models and modeling. Atmospheric Environment, 34, 2000, 2283–2324.
[9] Sax T., Isakov V.: A case study for assessing uncertainty in local-scale regulatory air quality modeling applications. Atmospheric Environment, 37, 2003, 3481–3489.
[10] Scire J.S., Strimaitis D.G., Yamartino R.J.: A User’s Guide for the CALPUFF Dispersion Model. Earth Technology Inc., 2000.
[11] Sportisse B.: A review of current issues in air pollution modeling and simulation. Computational Geosciences, 11, 2007, 159–181.
[12] Warren R.F., ApSimon H.M.: Uncertainties in integrated assessment modeling of abatement strategies: illustrations with the SAM model. Environment Science and Policy, 2, 1999, pp. 439–456.
[13] Zimmermann H.J.: An application-oriented view of modeling uncertainty. European Journal of Operational Research, 122, 1999, 190–198.
INFLUENCE OF UNCERTAINTY OF EMISSION INVENTORY ON ACCURACY OF AIR QUALITY FORECASTS
Summary
An important application of air pollution models is to support decisions concerning air quality management and emission control. However, due to significant complexity of such forecasting systems, there exist many sources of imprecision or uncertainty in the modeling of environmental effects of atmospheric pollution (e.g. model conceptual simplifications, model parameters, input data). This paper addresses the problem of uncertainty of emission inventory and impact of this uncertainty on the ambient air pollution concentrations and adverse health effects. The computational experiment implemented for Warsaw Metropolitan Area, Poland, encompasses one-year forecast with the year 2005 meteorological dataset. The full emission inventory is composed of four categories of sources, characteristic for urban area: a) large point sources, b) intermediate point sources, c) linear sources (transportation system), d) area sources (residential sector). The CALPUFF air pollution dispersion model was used as the main forecasting tool, combined with Monte Carlo statistical techniques to propagate uncertainty of the emission data. Keywords: modeling of air quality, uncertainty analysis, Monte Carlo algorithm.
Piotr Holnicki Zbigniew Nahorski
Instytut Bada Systemowych PAN 01-447 Warszawa, ul. Newelska 6 e-mail: holnicki@ibspan.waw.pl nahorski@ibspan.waw.pl
