Rozwój metod geoprzestrzennych w szacowaniu emisji zanieczyszczeń do powietrza

Wielkość: px

Rozpocząć pokaz od strony:

Download "Rozwój metod geoprzestrzennych w szacowaniu emisji zanieczyszczeń do powietrza"

Krzysztof Skowroński
5 lat temu
Przeglądów:

1 Rozwój metod geoprzestrzennych w szacowaniu emisji zanieczyszczeń do powietrza Damian Zasina, Jarosław Zawadzki & Krystian Szczepański IV Sympozjum Naukowe ProEnergo września 2017, Michałowice 1 / 23

2 Plan prezentacji Cel i zakres analizy Geostatystyka Wyniki Wnioski 2 / 23

3 Cele Poprawa metodyki szacowania emisji top-down z wykorzystaniem danych geoprzestrzennych o obszarach zabudowanych. Poprawa bieżacej metodyki tworzenia surogatów dla rozkładów przestrzennych emisji zanieczyszczeń do powietrza. Wsparcie inwentaryzacji emisji wykorzystaniem modelowania geoprzestrzennego (analiz GIS). Wsparcie modelowania matematycznego jakości powietrza. 3 / 23

4 Obszary zabudowane Rozkład przestrzenny obszarów zabudowanych może być miara aktywności antropogenicznej, która skutkuje zanieczyszczeniem powietrza (emisjami). Powierzchnia OZ do epwnego stopnia łaczy się z rozkładem przestrzennym gęstości zaludnienia oraz powierzchni mieszkalnych w budynkach, które moga być wykorzystane do oszacowania emisji zanieczyszczeń do powietrza. Wszelkie hot-spoty moga być wykrywane z pomoca narzędzi geostatystycznych. 4 / 23

Badany obszar N [m] 240000 260000 280000 460000 480000 500000 520000 540000 Rysunek 1:

5 Badany obszar N [m] Rysunek 1: Rozkład przestrzenny terenów zabudowanych [km 2 ] zagregowany w siatce 2km 2km. E [m] 5 / 23

6 Rozkłady powierzchni zabudowanych Frequency Frequency (a) (b) Rysunek 2: (a) Dane surowe [km 2 = 10 6 m 2 ]; (b) dane zlogarytmowane [log 10 m 2 ]. 6 / 23

7 Wariogram (1) γ(h) = 1 2N(h) (i,j)h i,j =h [Z(x i ) Z(x i + h)] 2 7 / 23

8 Wariogram (2) Próg, s Zakres, a Ef. samorodka (tu=0) 8 / 23

9 γ γ Anizotropia h h (a) (b) Rysunek 3: Wariogramy empiryczne zlogarytmowanej (log 10 ) pow. zabudowanej: (a) izotropowy; (b) wariogramy anizotropowe: δ {0, 30, 60, 90, 120, 150 }; h, odległośc [m]; γ, semiwariancja [(log 10 m 2 ) 2 ]. 9 / 23

10 γ Metoda zagnieżdżania semiwariancji γ 1 (h) 0.20 γ 2 (h) γ 3 (h) h γ(h) = γ 1 (h) + γ 2 (h) + + γ n (h). 10 / 23

11 Modelowanie wariogramów Wariogram empiryczny (izotropowy, Rys. 3a), wykorzystuje modele: sferyczny (1) oraz gaussowski (2), zastosowano niezależnie dwie struktury zagnieżdżone. ( c γ(h) = c 3 2 ( h a ) 1 2 ) ( h ) 3 a if h a, (1) otherwise ( ( )) 3 h 2 γ(h) = c 1 exp, (2) gdzie: h odległość; a, zakres (praktyczny) oraz c, próg. a 2 11 / 23

12 Modele teoretyczne wariogramów (1) 1 (Fig. 4a) 2 (Fig. 4b) Model Próg, s Zakres, a SSE --- [(log 10 m 2 ) 2 ] [m] ef. samorodka 0, 02 0 sferyczny , 000 sferyczny , gaussowski , 500 ef. samorodka 0, 09 0 sferyczny , gaussowski , 339 Najlepszy model jest przyjęsty na podstawie niższej wartości SSE (suma kwadratów błedów), podkreślone. Niższa wartość SSE wskazuje lepsze dopasowanie. 12 / 23

13 γ γ Modele teoretyczne wariogramów (2) h (a) h (b) Rysunek 4: Struktury zagnieżdżone h, odległość [m]; γ, semiwariancja[(log 10 m 2 ) 2 ]. 13 / 23

14 Kriging zwykły (OK) (a) (b) Rysunek 5: (a) Estymacja zlogarytmowanych pow. terenów zabudowanych (OK): estymator [log 10 m 2 ]; (b) wariancja estymatora [(log 10 m 2 ) 2 ]. 14 / 23

15 Wstęp do walidacji krzyżowej (a) (b) Rysunek 6: (a) Walidacja krzyżowa wykonana dla krigingu zwykłego [log 10 m 2 ]; (b) rozkład znormalizowanych błędów. 15 / 23

16 γ Kriging wskaźnikowy (1) percentile (a) h (b) Rysunek 7: (a) Wybrane percentyle rozkładu zlogarytmowanych powierzchni zabudowanych [log 10 m 2 ]; (b) wariogram 85 percentyla rozkładu (jedn. jak na Rys 3). 16 / 23

17 Kriging wskaźnikowy (2) (a) (b) Rysunek 8: (a) IK zlogarytmowanych powierzchni zabudowanych: estymator P{z(x) 6, 039}; (b) wariancja [bezwym.]. 17 / 23

18 Wynik analizy N E (a) (b) Rysunek 9: (a) IK zlogarytmowanych powierzchni zabudowanych: estymator P{z(x) 6, 039}; (b) Schemat Ślaskiego Systemu Ciepłowniczego. 18 / 23

19 Kriging komentarze Kiedy OK wyznacza średni rozkład przestrzenny powierzchni zabudowanych, IK pozwala oszacować obszar, gdzie emisja nie jest proporcjonalna do powierzchni zabudowanych. IK efektywnie odwzorowuje schemat infrastruktury ciepłowniczej, co jest znaczacym wkładem w poprawę inwentaryzacji emisji w skali lokalnej. 19 / 23

20 Wnioski Rozwój metodyk dezagregacji przestrzennej emisji zanieczyszczeń do powietrza wykorzystujacy techniki geostatystyczne jest ważny dla prac zwiazanych z zagadnieniami jakości powietrza i klimatu w miastach. 20 / 23

21 Wnioski Rozwój metodyk dezagregacji przestrzennej emisji zanieczyszczeń do powietrza wykorzystujacy techniki geostatystyczne jest ważny dla prac zwiazanych z zagadnieniami jakości powietrza i klimatu w miastach. Wykorzystanie przedstawionej metodyki może znaczaco ułatwić inwentaryzację emisji z małych źródeł tzw. niskiej emisji. 20 / 23

22 Wnioski Rozwój metodyk dezagregacji przestrzennej emisji zanieczyszczeń do powietrza wykorzystujacy techniki geostatystyczne jest ważny dla prac zwiazanych z zagadnieniami jakości powietrza i klimatu w miastach. Wykorzystanie przedstawionej metodyki może znaczaco ułatwić inwentaryzację emisji z małych źródeł tzw. niskiej emisji. Występowanie infrastruktury ciepłowniczej znaczaco zmienia wzajemny stosunek ciepła sieciowego do niskiej emisji. 20 / 23

23 Wnioski Rozwój metodyk dezagregacji przestrzennej emisji zanieczyszczeń do powietrza wykorzystujacy techniki geostatystyczne jest ważny dla prac zwiazanych z zagadnieniami jakości powietrza i klimatu w miastach. Wykorzystanie przedstawionej metodyki może znaczaco ułatwić inwentaryzację emisji z małych źródeł tzw. niskiej emisji. Występowanie infrastruktury ciepłowniczej znaczaco zmienia wzajemny stosunek ciepła sieciowego do niskiej emisji. Wyniki moga być wykorzystane w inwentaryzacji niskiej emisji. 20 / 23

24 21 / 23

25 Krystian Szczepański 1 Jarosław Zawadzki 2 IOŚ-PIB PW, WIBHiIŚ, ZIiBJŚ Damian Zasina 3 IOŚ-PIB/KOBiZE PW, WIBHiIŚ, ZIiBJŚ 1 krystian.szczepanski@ios.edu.pl; 2 j.j.zawadzki@gmail.com; 3 damian.zasina@kobize.pl. 22 / 23

26 Literatura J. Horabik-Pyzel and Z. Nahorski, Uncertainty of Spatial Disaggregation Procedures: Conditional Autoregressive Versus Geostatistical Models, Proceedings of the Federated Conference on Computer Science and Information Systems, vol. 8, pp , D. Zasina and J. Zawadzki, Spatial surrogate for domestic combustion s air emissions: A case study from Silesian Metropolis, Poland, Journal of the Air & Waste Management Association, vol. 67, no. 9, pp , U. Leopold, G. Huevelink, L. Drouet, and D. Zachary, Modelling Spatial Uncertainties associated with Emission Disaggregation in an integrated Energy Air Quality Assessment Model, in IEMSs 2012 International Congress on Environmental Modelling and Software. Managing Resources of a Limited Planet: Pathways and Visions under Uncertainty, Sixth Biennial Meeting, S. L. R. Seppelt, A.A. Voinov and D. Bankamp, Eds., Leipzig, Germany, J. Maes, J. Vliegen, K. Van de Vel, S. Janssen, F. Deutsch, K. De Ridder, and C. Mensink, Spatial surrogates for the disaggregation of CORINAIR emission inventories, Atmospheric Environment, vol. 43, no. 6, pp , J. Zawadzki, Analiza rozkładu przestrzennego zanieczyszczenia gleb Warszawy i okolic cynkiem, miedzia i ołowiem z zastosowaniem krigingu wskaźnikowego, Inżynieria i Ochrona Środowiska, vol. 6, no. 3/4, pp , M. Plebankiewicz and A. Jankowski, Ciepło dla aglomeracji miast ślaskich do wsparcia z funduszy unijnych, Wokół Energetyki, no. 3, pp. 1 4, W. Nikodem, Rozważania nad kompleksowa modernizacja systemu zaopatrzenia w ciepło Konurbacji Ślaskiej, Energetyka, no. 5, pp , / 23

Podobne dokumenty

Zastosowanie MG w analizach emisji zanieczyszczeń ze spalania paliw w gospodarstwach domowych

Zastosowanie MG w analizach emisji zanieczyszczeń ze spalania paliw w gospodarstwach domowych Czyli dlaczego geostatystyka nie gryzie Damian Zasina IOŚ-PIB, KOBiZE 4 czerwca 2016 Plan prezentacji Po co