Raport z realizacji zadania / Zpráva o úkolu

Transkrypt

1 System informacji o jakości powietrza na obszarze Pogranicza Polsko-Czeskiego w rejonie Śląska i Moraw / Informační systém kvality ovzduší v oblasti Polsko-Českého pohraničí ve Slezském a Moravskoslezském regionu Akronim / Akronym: Air Silesia Projekt POWT RCz-RP / OPPS ČR - PR CZ.3.22/1.2.00/ /1 Raport z realizacji zadania / Zpráva o úkolu Tytuł zadania 7 / Název úkolu 7: Prognozowanie stężeń zanieczyszczeń powietrza / Prognózování koncentrací znečištění ovzduší Okres realizacji / Časový rámec: r r. Koordynator zadania / Hlavní koordinátor úkolu IMGW-PIB Katowice, czerwiec, 2013

2 Główni wykonawcy: Instytut Meteorologii i Gospodarki Wodnej - Państwowy Instytut Badawczy (IMGW-PIB) Oddział w Krakowie Zakład Monitoringu i Modelowania Zanieczyszczeń Powietrza Institut Meteorologie a Vodního Hospodářství - Státní výzkumný ústav, Pobočka v Krakově Oddělení monitoringu a modelování znečištění ovzduší Ewa Krajny, Leszek Ośródka, Katarzyna Szeflińska, Marek Wojtylak

3 Wstęp Ustawodawstwo w Polsce i Republice Czeskiej w zakresie ochrony środowiska, dostosowane do wymogów Unii Europejskiej, mówi o konieczności informowania społeczeństwa na temat jakości powietrza. Szczególne jest to istotne w przypadku występowania ryzyka przekroczenia dopuszczalnych, docelowych czy alarmowych poziomów substancji w powietrzu. W takich sytuacjach w ramach systemu oceny jakości powietrza przewidziane jest podejmowanie działań krótkoterminowych. Podstawy prawne takich działań zapisane są w Dyrektywie 2008/50/WE w sprawie jakości powietrza i czystszego powietrza dla Europy (art. 24). W świetle regulacji prawnych jednym z elementów działań krótkoterminowych powinna być prognoza zanieczyszczeń powietrza. Prognozowanie, szczególnie wysokich stężeń zanieczyszczeń, jest zagadnieniem niezwykle złożonym. Mimo wielu stosowanych metod szacowania przebiegu tzw. epizodów smogowych, brak jest jak dotąd obowiązujących przepisów prawa w tym zakresie. Pod względem merytorycznym najlepsze wyniki dają modele fizyczne, to jednak ze względu na konieczność i zarazem trudności pozyskania wielu wiarygodnych danych są trudne do operacyjnego zastosowania. W związku z tym w praktyce często stosuje się symulacyjne modele matematyczne czy matematyczne modele empiryczne (statystyczne czy oparte o zaawansowane metody wnioskowania), które choć nie dotykają fizyki zjawiska, dzięki możliwościom odkrywania nowych zależności między danymi zgromadzonymi w zbiorach pozwalają na stosunkowo trafne i szybkie prognozowanie. W ostatnich latach coraz częściej prognozy jakości powietrza opierają się na zbiorze metod, ogólnie nazywane jako metody eksploracji danych (data mining). Idea ta została zastosowana w prognozie jakości dla Pogranicza polsko-czeskiego. Ogólny podział sposobów modelowania procesów zachodzących w atmosferze przedstawia rysunek 1 [Markiewicz, 2004].

4 Modelowanie procesów zachodzących w atmosferze Modele fizyczne Modele matematyczne symulacyjne (deterministyczne) empiryczne analityczne numeryczne Rys. 1 Metody prognozy jakości powietrza. Założenia prognoz eksploracyjnej jakości powietrza powstały dla województwa śląskiego w 2004 roku na zlecenie Śląskiego Wojewódzkiego Inspektora Ochrony Środowiska w Katowicach (WIOŚ) w wyniku realizacji pracy badawczej realizowanej wspólnie przez Instytut Meteorologii i Gospodarki Wodnej Oddział w Katowicach (IMGW) i Instytut Podstaw Inżynierii Środowiska PAN w Zabrzu, dofinansowanej ze środków WFOŚiGW w Katowicach. System ten został wdrożony do operacyjnej działalności w monitoringu jakości powietrza w województwie śląskim w roku Metodyka prognozy jakości powietrza oparta jest na eksploracyjnej analizie danych (data mining) przy wykorzystaniu numerycznej prognozy pogody COSMO (Consortium for Small-Scale Modelling). Model ten, który jest niehydrostatycznym, mezoskalowym modelem meteorologicznym, operacyjnie funkcjonuje w IMGW Państwowym Instytucie Badawczym (IMGW-PIB). Obecnie w ramach Systemu Prognoz Jakości Powietrza (SPJP) w województwie śląskim krótkoterminowa prognoza jakości powietrza realizowana jest dla stref i wykonywana jest dla następując stężeń zanieczyszczeń: SO 2, NO 2, CO, PM10, PM2,5 i O 3 oraz prognozowany jest wskaźnik jakości powietrza. W ramach projektu Air Silesia model prognozy eksploracyjnej został zaimplementowany dla obszaru Pogranicza polsko-czeskiego w rejonie Śląska i Moraw. Prognoza wykonywana jest nie na obszar, ale na punkt automatycznych stacji monitoringu jakości powietrza zlokalizowanych po obu stronach granicy na obszarze woj. śląskiego i kraju morawskośląskiego.

5 Opis idei prognozy eksploracyjnej zanieczyszczeń powietrza Model prognozy eksploracyjnej jakości powietrza jest oparty na eksploracyjnej analizie danych (data mining) w tym w szczególności grupowania, liczbach rozmytych, odległości ułamkowej [Łachwa, 2001; Osowski, 1997]. Filozofia prognozy stężeń zanieczyszczeń opiera się na stwierdzeniu, że pogoda steruję emisją i określa warunki dyspersji zanieczyszczeń. Elementarnym pojęciem predykcji jest podobieństwo prognoz. Niech F a będzie prognozą aktualną, F h prognozą historyczną. Są to macierze o 79 wierszach (godziny od początku prognozy) i 27 kolumnach (elementy meteorologiczne). Natomiast podobieństwa prognoz pogody oparte jest na pojęciu odległości ułamkowej: F 01 F 0 27 F F 781 F dist ( F a, F h ) i j 1 w ij F ij a F ij h gdzie [w ij ] jest macierzą wag i wymaga opracowania dla różnych miejsc prognozowania. Oryginalne prognozy COSMO należy przetworzyć do postaci elementów mających bezpośredni wpływ na wielkość stężenia zanieczyszczeń. Przetworzenie polega między innymi na: przekształceniu kierunku wiatru na wektor wiatru, obliczenie gradientów temperatury nad powierzchnią gruntu (n.p.g.) 0,05 2 m, 2 30 m, m, obliczenie z temperatury i temperatury punktu rosy ciśnienia pary wodnej, wilgotności względnej powietrza, pominięcie danych z powierzchni geopotencjalnych wyższych niż 850 hpa (~1500 m). Schemat wyznaczania prognozy: Dla aktualnego przetworzonego meteogramu przeglądane są prognozy historyczne i wybierane podobne do aktualnej. Ważna jest data prognozy podobnej.

6 Dla tak uzyskanych dat zostaje zapisany obserwowany w tym terminie przebieg czasowy stężeń zanieczyszczeń. W ten sposób uzyskuje się kilkadziesiąt potencjalnych przebiegów stężeń; Otrzymane przebiegi agregowane są do jednego przebiegu czasowego liczb. Wybór sposobu agregacji należy do operatora systemu. Domyślnie jest to średnia arytmetyczna. Jednak ten sposób agregacji źle sprawdza się w przypadku wysokich stężeń. Dlatego w sytuacjach o przewidywanych wysokich stężeniach stosuje się kombinacje liniową średniej i maksymalnej wartości w danej godzinie. Prognozowane są przebiegi 1-godzinne stężenia lub stężenie średnie dobowe danego zanieczyszczenia powietrza przez każdorazowe wyszukiwanie w przeszłości sytuacji podobnych do aktualnej. Wyznaczany jest również średni dobowy wskaźnik jakości powietrza, który w sposób syntetyczny informuje o jakości powietrza. Metodyka prognozowania jest niezależna od rodzaju zanieczyszczenia powietrza. Prognoza sytuacji sanitarnej powietrza może być punktowa (np. na punkt stacji monitoringu jakości powietrza) lub obszarowa (dla strefy). Minimalne dane potrzebne do wykonania prognozy eksploracyjnej to: historyczne dane o jakości powietrza i historyczne prognozy pogody oraz aktualna numeryczna prognoza pogody na 24 godziny w przód z krokiem 1-godzinnym. Wskaźnik jakości powietrza Wskaźnik jakości powietrza jest kompleksowym wskaźnikiem informującym o poziomie zanieczyszczenia powietrza. Zwykle wyliczany jest jednocześnie dla kilku substancji. Stan jakości powietrza charakteryzuje ten spośród wskaźników cząstkowych, który przyjął największą (najbardziej niekorzystną) wartość. Sposób informowania społeczeństwa o poziomie zanieczyszczenia powietrza za pomocą wskaźnika, jest szeroko stosowany w świecie, ze względu na łatwość przekazu informacji za pomocą piktogramów w komunikacji społecznej. Intuicyjnie kolor zielony, żółty czy czerwony są postrzegane jako sygnalizacja pozytywnego lub negatywnego stanu. Na świecie funkcjonuje wiele wskaźników dotyczących jakości powietrza. Nie ma jednak jednego rekomendowanego do powszechnego stosowania. W celu porównania jakości powietrza dla obszaru czy punktu, danej klasie wskaźnika jakości powietrza przypisuje się poziomy stężeń zanieczyszczeń, które kategoryzują jakość powietrza na przykład od bardzo dobrej do bardzo złej jakości powietrza. W projekcie Air Silesia dla

7 wskaźnika jakości powietrza przyjęto skrót SMAQI (Silesia Morawia Air Quality Index). Zastosowano dwa sposoby indeksowania SMAQI do obszaru Pogranicza polsko-czeskiego w rejonie Śląska i Moraw. Jeden jest taki sam jaki stosowany jest w województwie śląskim na stronie internetowej WIOŚ w Katowicach do prognozy jakości powietrza, zaproponowany przez IMGW-PIB, a drugi jaki stosuje ČHMÚ do bieżącej oceny jakości powietrza na swojej stronie internetowej. Tab. 1: Sposób indeksowania, czasy uśredniania i przedziały stężeń zanieczyszczeń wskaźnika jakości powietrza dla województwa śląskiego i kraju morawsko-śląskiego Index Kvalita ovzduší Legenda ČHMÚ SO 2 NO 2 O 3 PM10 1 h (µg/m 3 ) 1 velmi dobrá dobrá > > > > uspokojivá > > > > vyhovující > > > > špatná > > > > velmi špatná > 500 > 400 > 240 > 180 chybi data Legenda IMGW-PIB Wskaźnik Jakość SO 2 NO 2 O 3 PM10 PM2,5 PM10 PM2,5 powietrza 1 h (µg/m 3 ) 24 h (µg/m 3 ) 1 bardzo dobra dobra > 50 - > 50 - > 60 - > > > > umiarkowana > > > > > > > zła > > > > 90 - > 55 - > 50 - > bardzo zła > 500 > 400 > 240 > 270 > 180 > > ekstremalnie zła > brak danych Obszar badań i zbiór danych Krótkoterminowa prognoza jakości powietrza została opracowana dla obszaru pogranicza polsko-czeskiego obejmującego kraj morawsko-śląski i środkową-południową część województwa śląskiego. Dane o imisji zanieczyszczeń pochodziły z państwowych sieci automatycznych stacji monitoringu jakości powietrza w Republice Czeskiej i Polsce zlokalizowanych na obszarze pogranicza polsko-czeskiego w rejonie Śląska i Moraw tj.:

8 Czeskiego Instytutu Hydrometeorologicznego (ČHMÚ) oraz Zdrovotnego ústavu (ZÚ) - stacja Ostrava-Radvanice, dla województwa morawskośląskiego; Państwowego Monitoringu Środowiska (PMŚ/GIOŚ, WIOŚ w Katowicach) dla województwa śląskiego. Dane meteorologiczne pochodziły z bazy danych narodowych służb meteorologicznych ČHMÚ i IMGW-PIB. Prognoza zanieczyszczeń powietrza opiera się na numerycznej prognozie pogody modelu COSMO, który operacyjnie jest eksploatowany w IMGW-PIB. Do badań wykorzystano dane pomiarowe obejmujące okres od stycznia do grudnia Dla potrzeb prognozy stacjom monitoringu jakości powietrza przyporządkowano stacje meteorologiczne (tabela 2). Dla tak przyporządkowanych stacji w kolejnym kroku opracowano algorytm prognozy oparty o metody eksploracji danych dla pyłu zawieszonego PM10. Tab. 2: Stacje pomiaru jakości powietrza i odpowiadające im stacje meteorologiczne Stacja meteorologiczna Ostrava-Mošnov Ostrava-Poruba Lučina Bielsko-Biała Racibórz Katowice Częstochowa Stacja monitoringu jakości powietrza Ostrava-Přívoz, Opava, Orlová, Ostrava-Fifejdy Studénka, Opava, Orlová, Ostrava-Zábřeh, Ostrava-Fifejdy, Ostrava-Radvanice (ZÚ) Havířov, Karviná, Frýdek-Místek, Třinec-Kosmos Bielsko-Biała, Cieszyn, Český Těšín, Żywiec Bohumín, Rybnik, Wodzisław Śląski, Věřňovice Dąbrowa Górnicza, Gliwice, Katowice, Tychy, Zabrze Częstochowa, Złoty Potok Wyniki prognozowania zanieczyszczeń powietrza Prognozowanie jakości powietrza w badanym obszarze przeprowadzano w dwojaki sposób: jako reanalizy prognoz z okresu od do r. wykonywane dla stacji czeskich, jako prognozy dla całego obszaru wsparcia projektu Air Silesia w okresie od do chwili obecnej. W tym drugim przypadku prognoza jakości powietrza przekazywana była elektronicznie do ČHMÚ przez IMGW-PIB codziennie w godzinach porannych dla ewentualnej dystrybucji lub

9 PM10 [ g/m 3 ] wsparcia systemu ostrzegawczego obu instytucji. Niezależnie od tego wartości prognozowane były poddane statystycznej analizie sprawdzalności. Codzienna prognoza stężeń zanieczyszczeń i wskaźnika jakości powietrza dla badanego obszaru znajdzie się na stronie internetowej projektu Air Silesia. Prognozy historyczne jakości powietrza archiwizowane będą u partnera wiodącego zadanie 7 (IMGW- PIB) prognoza pomiar stężenie dopuszczalne Rys. 1: Porównanie pomiaru (słupek szary) z prognozą (słupek biały) średniodobowego stężenia PM10 dla r. na punkt stacji pomiarowych dla obszaru Pogranicza polsko-czeskiego w rejonie Śląska i Moraw Sprawdzalność prognozy zanieczyszczeń powietrza PM10 Sprawdzalność prognozy jakości powietrza zastała przeprowadzona przez dwa zespoły. Przez ČHMÚ sprawdzalność została przeanalizowana dla okresu oraz dla stacji monitoringu jakości powietrza kraju morawsko-śląskiego. IMGW-PIB opracował sprawdzalność dla okresu dla wszystkich automatycznych stacji pomiaru jakości powietrza na obszarze Pogranicza polsko-czeskiego. Poniżej przedstawiono wyniki sprawdzalność prognozy zanieczyszczeń powietrza opracowane przez IMGW-PIB.

10 Metoda i wyniki sprawdzalności krótkoterminowej prognozy jakości powietrza Metoda Analizie zostały poddane dobowe dane pomiarowe i prognozowane PM10 z okresu Jako ocenę sprawdzalności prognozy użyto następujących charakterystyk statystycznych: błąd systematyczny lub średni (mean error) ME n i 1 pr i pomi n, wskazuje przeciętne obciążenie prognozy; wartość ME powinna być 0 lub bliska 0; n x x 2 odchylenie standardowe (standard devations) STD i 1 n 1, gdzie x wartością pr lub pom a x jest ich średnią arytmetyczną; średni błąd bezwzględny (mean absolute error) MAE n i 1 pr i n pom i, podaje, w jednostkach bezwzględnych, o ile średnio prognoza różni się od wartości rzeczywistej; pierwiastek ze średniego błędu kwadratowego (root mean squared error) RMSE n i 1 pr i n pom i 2, interpretuje się podobnie jak błąd MEA, ale jest bardziej czuły na wartości skrajne; gdzie: pr oznacza wartość prognozy danego zanieczyszczenia, a pom wartość pomiaru tegoż zanieczyszczenia. Dla każdego punktu pomiarowego przygotowano tablice kontyngencji postaci: pr x pr < x pom x a b pom < x c d gdzie: pr prognoza (P předpověď), pom (M měření) - pomiar, x ustalona wartość progowa, a (Hit), b (Miss), c (False alarm), d (Correct rejection) - liczba poszczególnych przypadków. Baza danych obejmowała okres , przy czym brano pod uwagę tylko te dni, w których występowała zarówno prognoza jak i pomiar. W wyniku

11 eliminacji danych uzyskano ciągi o średniej długości n=665. Wartość progową przyjęto x=50, x=100, x=150. Dla poszczególnych progów korzystając z tablic można wyliczyć kolejne wskaźniki: średni błąd obciążenie (mean bias error) MBE, który jest miarą liczby trafnych prognoz epizodu (stężenia PM10 powyżej określonego progu > x) do liczby wszystkich obserwacji wystąpienia epizodu MBE = (a + c) / (a + b). Dla prognoz idealnych MBE =1, co oznacza taka samą liczbę prognoz i obserwacji wystąpienia przekroczenia danej wartości progowej x. MBE < 1 i MBE > 1 oznacza odpowiednio niedoszacowanie i przeszacowanie liczby przekroczeń zadanej wartości progowej w prognozach. prawdopodobieństwo wykrycia POD (probability of detection), czyli stosunek liczby trafnych prognoz do liczby wystąpień przekroczeń wartości progowej POD = a / (a+b). Zakres zmienności tej miary to od 0 do 1. Dla prognozy idealnej POD = 1. wskaźnik fałszywego alarmu FAR (false alarm ratio) tj. oszacowanie liczby fałszywych alarmów, czyli prognozowania przekroczenia wartości progowej, podczas gdy przekroczenie nie wystąpiło określa wzór F = c / (c + a). Wartości FAR są z zakresu od 0 do 1, przy czym optymalną wartością jest 0. proporcja prawidłowych prognoz (proportion correct) PC określa ogólny udział prognoz prawidłowych, zarówno prognozujących wystąpienie przekroczenia jak i nie wystąpienie przekroczenia PC = (a + d) / (a + b + c + d). Dobór wartości progowej x ma znaczący wpływ na określenie błędu standardowego i prawdopodobieństwa trafionej prognozy. Wraz ze wzrostem wartości progowej następuje wyraźne zmniejszenie MBE i POD. Dzieje się tak, ponieważ przesuwanie w górę progu powoduje nierównomierny podział badanych zbiorów. Jako wskaźnik sprawdzalności prognozy wykorzystano błąd względny według następujących kategorii: bardzo dobra sprawdzalność błąd względny < 10% normy parametru, dobra sprawdzalność 10% normy parametru < błąd względny < 40% normy parametru, dostateczna sprawdzalność 40% normy parametru < błąd względny < 60% normy parametru, zła sprawdzalność 60% normy parametru < błąd względny.

12 Bielsko- Biała Cieszyn Dąbrowa Górnicza Gliwice Katowice Rybnik Tychy Wodzisław Śląski Zabrze Żywiec Bohumín Český Těšín Frýdek-Místek Havířov Karviná Opava Orlová Ostrava-Fifejdy Ostrava-Přívoz Ostrava- Radvanice (ZÚ) Ostrava-Zábřeh Studénka Třinec-Kosmos Věřňovice Bielsko- Biała Cieszyn Dąbrowa Górnicza Gliwice Katowice Rybnik Tychy Wodzisław Śląski Zabrze Żywiec Wyniki Tab. 14: Wybrane charakterystyki wartości prognozowanych średnich dobowych stężeń PM10 dla stacji polskich Charakterystyka średnia różnica odchylenie standardowe wartość minimalna wartość maksymalna Tab. 15: Wybrane charakterystyki wartości prognozowanych średnich dobowych stężeń PM10 dla stacji czeskich Charakterystyka średnia różnica odchylenie standardowe wartość minimalna wartość maksymalna Tab. 16: Wybrane charakterystyki wartości zmierzonych średnich dobowych stężeń PM10 dla stacji polskich Charakterystyka średnia różnica odchylenie standardowe wartość minimalna wartość maksymalna

13 Bohumín Český Těšín Frýdek-Místek Havířov Karviná Opava Orlová Ostrava-Fifejdy Ostrava-Přívoz Ostrava- Radvanice (ZÚ) Ostrava-Zábřeh Studénka Třinec-Kosmos Věřňovice Bielsko- Biała Cieszyn Dąbrowa Górnicza Gliwice Katowice Rybnik Tychy Wodzisław Śląski Zabrze Żywiec Bohumín Český Těšín Frýdek-Místek Havířov Karviná Opava Orlová Ostrava-Fifejdy Ostrava-Přívoz Ostrava- Radvanice (ZÚ) Ostrava-Zábřeh Studénka Třinec-Kosmos Věřňovice Tab. 17: Wybrane charakterystyki wartości zmierzonych średnich dobowych stężeń PM10 dla stacji czeskich Charakterystyka średnia różnica odchylenie standardowe wartość minimalna wartość maksymalna Tab. 18: Różnica między wartością prognozowaną a zmierzoną dla stacji polskich Charakterystyka średnia różnica -10,4-2,5-6,2-8,2-5,5-12,2-7,6-18,9-10,9-17,9 odchylenie standardowe 34,4 24,4 28,6 30,8 31,9 54,6 29,5 59,8 43,2 44,9 wartość minimalna wartość maksymalna błąd bezwzględny 20,0 14,5 16,5 18,5 17, ,9 28,7 20,8 25,8 błąd kwadratowy 1,4 1,0 1,2 1,2 1,3 2,2 1,2 2,4 1,7 1,8 Tab. 19: Różnica między wartością prognozowaną a zmierzoną dla stacji czeskich Charakterystyka średnia różnica -4,1 0,3-1,0-1,1 0 0,4-1,2-1,2 0,4 0-3,0-0,9-2,8-6,0 odchylenie standardowe wartość minimalna 36,9 27,4 29,0 29,3 29,8 25,5 30,9 27,8 28,4 27,8 29,5 24,3 29,6 43, wartość 65,5 83,3 91,5 58,7 74, ,3 63,3 76,2 59,7 66,9 66, ,9

14 Bielsko - Biała Cieszyn Dąbrowa Górnicza Gliwice Katowice Rybnik Tychy Wodzisław Śląski Zabrze Żywiec Bohumín Český Těšín Frýdek-Místek Havířov Karviná Opava Orlová Ostrava-Fifejdy Ostrava-Přívoz Ostrava-Radvanice (ZÚ) Ostrava-Zábřeh Studénka Třinec-Kosmos Věřňovice Bohumín Český Těšín Frýdek-Místek Havířov Karviná Opava Orlová Ostrava-Fifejdy Ostrava-Přívoz Ostrava- Radvanice (ZÚ) Ostrava-Zábřeh Studénka Třinec-Kosmos Věřňovice Charakterystyka maksymalna błąd bezwzględny błąd kwadratowy 20,6 17,4 16,7 17,1 17,5 15,4 17,4 17,1 18,0 17,7 17,5 14,9 16,3 22,4 1,4 1,0 1,1 1,1 1,1 0,9 1,2 1,1 1,1 1,1 1,1 0,9 1,1 1,7 1,3 1,2 1,1 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 MBE x=50 x=100 x=150 Rys. 20: Średni błąd obciążenia

15 Bielsko - Biała Cieszyn Dąbrowa Górnicza Gliwice Katowice Rybnik Tychy Wodzisław Śląski Zabrze Żywiec Bohumín Český Těšín Frýdek-Místek Havířov Karviná Opava Orlová Ostrava-Fifejdy Ostrava-Přívoz Ostrava-Radvanice Ostrava-Zábřeh Studénka Třinec-Kosmos Věřňovice Bielsko - Biała Cieszyn Dąbrowa Górnicza Gliwice Katowice Rybnik Tychy Wodzisław Śląski Zabrze Żywiec Bohumín Český Těšín Frýdek-Místek Havířov Karviná Opava Orlová Ostrava-Fifejdy Ostrava-Přívoz Ostrava-Radvanice (ZÚ) Ostrava-Zábřeh Studénka Třinec-Kosmos Věřňovice 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 POD x=50 x=100 x=150 Rys. 21: Prawdopodobieństwo wykrycia FAR 1,1 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 x=50 x=100 x=150 Rys. 22: Wskaźnik fałszywego alarmu

16 Bielsko - Biała Cieszyn Dąbrowa Górnicza Gliwice Katowice Rybnik Tychy Wodzisław Śląski Zabrze Żywiec Bohumín Český Těšín Frýdek-Místek Havířov Karviná Opava Orlová Ostrava-Fifejdy Ostrava-Přívoz Ostrava-Radvanice (ZÚ) Ostrava-Zábřeh Studénka Třinec-Kosmos Věřňovice Bielsko - Biała Cieszyn Dąbrowa Górnicza Gliwice Katowice Rybnik Tychy Wodzisław Śląski Zabrze Żywiec Bohumín Český Těšín Frýdek-Místek Havířov Karviná Opava Orlová Ostrava-Fifejdy Ostrava-Přívoz Ostrava-Radvanice (ZÚ) Ostrava-Zábřeh Studénka Třinec-Kosmos Věřňovice 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 PC x=50 x=100 x=150 Rys. 23: Proporcja prawidłowych prognoz 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% zła dostateczna dobra bardzo dobra Rys. 24: Błąd względny prognozy Wizualizacja krótkoterminowej prognozy stężeń zanieczyszczeń Krótkoterminowa prognoza zanieczyszczeń powietrza zgodnie z założeniami projektu prezentowana będzie na stronie projektu Air Sielsia ( Założenia metodyczne prognozy przedstawiono w rozdziale wcześniejszym opracowania pn. Opis idei

17 prognozy eksploracyjnej zanieczyszczeń powietrza. Wykonawcą prognozy będzie IMGW- PIB. Prognozowane będą następujące stężenia zanieczyszczeń: PM10, PM2,5, SO 2, NO 2, CO. Prognoza wykonywana będzie na punkt stacji monitoringu jakości powietrza funkcjonujących na terenie Pogranicza polsko-czeskiego w rejonie Śląska i Moraw (tabela 2). Prognozowany będzie przebieg godzinowy i dobowy wskaźnik jakości powietrza (tabela 1). Prognoza uaktualniania będzie raz na dobę. Poniżej przykładowe okna witryny internetowej prognozy jakości powietrza. Rys. 25: Wizualizacja dobowego wskaźnika jakości powietrza dla danego miejsca pomiarowego Rys. 26: Wizualizacja przebiegu dobowego stężeń danego zanieczyszczeń z krokiem 1- godzinnym dla danego miejsca pomiarowego

18 Podsumowanie Celem zadania miało być opracowanie prognozy stężeń zanieczyszczeń powietrza w obszarze wsparcia przy wykorzystaniu prostego modelu matematycznego opartego o zaawansowane metody eksploracji danych. Prognoza ta miała wspomagać odpowiedzialne służby za działania krótkoterminowe w podejmowaniu decyzji o informowaniu władz a w konsekwencji społeczeństwa o stanie zagrożenia smogowego, a także ułatwić społeczeństwu dostęp do tego typu produktów. Uzyskane wyniki sprawdzalności prognoz, choć w opinii zespołu wykonawczego spełniają główne kryteria poprawności dla tego typu prognoz, pozostawiają jednak wątpliwość, co do możliwości zastosowania tego modelu w sytuacjach prognozowania wartości maksymalnych. Jest zatem sprawą otwartą na ile opracowany produkt będzie wykorzystywany jako źródło wiedzy o prognozowanym ryzyku przekroczenia wartości alarmowych w podejmowaniu decyzji o ostrzeganiu przed sytuacjami smogowymi, a na ile pozostanie on platformą informacyjną o prognozowanej klasie jakości powietrza dla społeczeństwa. Literatura ČR, Zákon č. 201/2012 Sb. ze dne 2. května 2012 o ochraně ovzduší. D.U., z RMŚ z Poz. 1031w sprawie poziomów niektórych substancji w powietrzu. EC, Directive 2008/50/EC of the European Parliament and of the Council of 21 May 2008 on ambient air quality and cleaner air for Europe. OJ L 152, , page Łachwa A.: Rozmyty świat zbiorów, liczb, relacji, faktów, reguł i decyzji. AOW Exit, Warszawa, Markiewicz M. T.: Podstawy modelowania rozprzestrzeniania się zanieczyszczeń w powietrzu atmosferycznym. OWPW, Warszawa, Osowski S.: Sieci neuronowe. WNT, Warszawa, Załacznik do raportu: Porównanie prognoz 24 godzinnych średnich stężeń PM10 obliczonych w IMGW- PIB z pomiarami (ČHMÚ/Ostrava - Mgr. Petr Drobek, RNDr. Zdeněk Blažek, CSc., Mgr. Libor Černikovský, Mgr. Blanka Krejčí, RNDr. Vladimíra Volná.

19