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

Transkrypt

1 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

2 Plan prezentacji Po co to komu? Skalowanie w dół Część analityczna Przykład zastosowania

3 Transport i przemiany zanieczyszczeń w powietrzu Sportisse (2007)

4 Źródła punktowe: energetyka zawodowa ciepłownictwo przemysł Źródła powierzchniowe: gospodarstwa domowe

5 Modelowanie jakości powietrza Przemiany chemiczne Szacowanie emisji Dane wejściowe Modelowanie numeryczne Pola stężeń System wspomagania decyzji Parametry meteorologiczne Model meteorologiczny Na podstawie Russel i Dennis (2000).

6 Obowiazek raportowania emisji do powietrza Van Aardenne, 2011.

7 Szacowanie emisji Zużycie paliw Jakość paliwa Szacowanie emisji Pomiary emisji Modelowanie Informacje o technologiach spalania Zapotrzebowanie na ciepło i energię elektryczna

8 Metodyka top-down (cz. 1) Podejście klasyczne : E = EF A Jak dobrze znamy te wielkości? Czy występuje bład systematyczny szacowania? Jak wyznaczamy te wielkości (szczególnie EF ): za pomoca pomiarów, modelowania, czy opinii eksperta? Co jest głównym źródłem niepewności i w jaki sposób ograniczyć jego wpływ?

9 Metodyka top-down (cz. 2) Aktywność źródła emisji: statystyka publiczna Emisja krajowa Wskaźnik emisji Podział przestrzenny emisji Pomiary emisji GUS, EUROSTAT Największe zakłady.

10 Oszacowanie rocznej emisji: SO 2

11 Oszacowanie rocznej emisji: NO X

12 Oszacowanie rocznej emisji: PM 10

13 Oszacowanie rocznej emisji: NMLZO

14 Podział przestrzenny emisji Informacje o użytkowaniu terenu Gęstość zaludnienia Charakterystyki meteorologiczne Podział przestrzenny emisji Chrakterystyki ekonomiczne w regionach Zapotrzebowanie na ciepło i energię elektryczna Lokalizacja (duże źródła emisji) PKB

15 Niepewność w kontekście przestrzennym Niepewność klasyczna czasowa brak wiedzy przestrzenna agregacja dezagregacja skalowanie

16 Jak to powinno działać? (I dlaczego nie do końca tak działa.) Źródło:

17 Teoria a praktyka Teoria jest wtedy, kiedy wiemy wszystko, a nic nie działa. Praktyka jest wtedy, kiedy wszystko działa, a nikt nie wie dlaczego. Tutaj łaczymy teorię z praktyka. Nic nie działa i nikt nie wie dlaczego.

18 Dlaczego modelowanie geostatystyczne? Główne powody wykorzystania metod geostatystycznych: skuteczne w przypadku niewielkiej ilości danych; nie występuje utrata informacji (położenie punktu); jest możliwy do uzyskania rozkład niepewności/błędu; nie sa zależne od rozkładu statystycznego; w procesie modelowania pozwalaja właczyć wiedzę ekspercka;,powinny działać (Leopold et al., 2010).

19

20 Modus operandi (cz.1) 1. Modelowanie emisji w określonym sektorze. 2. Opracowanie rozkładu przestrzennego emisji na badanym obszarze. 3. Oszacowanie wariancji emisji na badanym obszarze (oszacowanie współczynnika zmienności α w danym sektorze). 4. Opracowanie modelu ciagłości przestrzennej emisji z wykorzystaniem metody eksperckiej. Uwzględnienie wpływu infrastruktury.

21 Modus operandi (cz.2) 5. Zastosowanie symulacji geostatystycznych w celu uzyskania realizacji, tj. rozkładów przestrzennych niepewności (błędu). 6. Wyznaczenie statystyk lokalnych dla niepewności. 7. Wyznaczenie rozkładu emisji (wartości lokalne). 8. Wyznaczenie globalnych statystyk dla emisji.

22 Model geostatystyczny niepewności przestrzennej γ η (h) = E[(Z(x) Z(y)) 2 ], gdzie y = x + h ( ( γ(h) = (s n) 1 exp h )) + n1 ra (0, ) (h) ((( ) ) 3h γ(h) = (s n) 2r h3 2r 3 1 (0,r) (h) + 1 (r, ) (h) + n1 (0, ) (h) n efekt samorodka; s próg; r zakres

23 Przykład zastosowania: Ślaski System Ciepłowniczy

24 Sieć ciepłownicza a rozkład przestrzenny emisji (cz.1) 49.9 N 50 N 50.1 N 50.2 N 50.3 N 50.4 N 50.5 N Population density (inh. per km2) < > E 18.6 E 18.8 E 19 E 19.2 E 19.4 E (a) Ślaski System Ciepłowniczy (b) Gęstość zaludnienia

25 Sieć ciepłownicza a rozkład przestrzenny emisji (cz.2) Rysunek: Bufor przestrzenny, zasięg zredukowanej emisji

26 Analiza ciagłości przestrzennej

27 Wariografia (a) Chmura (b) Model struktury zagnieżdżonej

28 Estymacja (kriging) (c) Estymator (d) Wariancja estymatora

29 Symulacja (SGS)

30 Rysunek: $sim15

31 Metoda Monte Carlo Rysunek: X N(sim15, σ sim15 )

32 Literatura (wybrane) I RS. Bivand, EJ. Pebesma, i V. Gómez-Rubio. Applied Spatial Data Analysis with R. Springer, New York, NY, USA, doi: / R.V. Hiller, D. Bretscher, T. DelSontro, T. Diem, W. Eugster, R. Henneberger, S. Hobi, E. Hodson, D. Imer, M. Kreuzer, T. Künzle, L. Merbold, P. A. Niklaus, B. Rihm, A. Schellenberger, M.H. Schroth, C.J. Schubert, H. Siegrist, J. Stieger, N. Buchmann,, i D. Brunner. EAnthropogenic and natural methane fluxes in Switzerland synthesized within a spatially explicit inventory. Biogeosciences, (11): , doi: /bg P. Holnicki i Z. Nahorski. Air quality modeling in Warsaw Metropolitan Area. Journal of Theoretical and Applied Computer Science, 7(1):56 69, P. Holnicki i Z. Nahorski. Emission Data Uncertainty in Urban Air Quality Modeling Case Study. Environ Model Assess, (20): , doi: /s

33 Literatura (wybrane) II U. Leopold, C. Braun, L. Drouet, i DS. Zachary. Accounting for Geospatial Uncertainties in an Energy Air Quality Decision Support Tool, URL FOSS4G, Barcelona September 8, NCEM. Poland s Informative Inventory Report Technical report, Institute of Environmental Protection National Research Institute, National Centre for Emissions Management, download/submissions2014/pl_iir2014.zip?cgiproxy_skip=1. A. Russel i R. Dennis. NARSTO critical review of photochemical models and modeling. Atmos Environ, (34): , B. Sportisse. A review of current issues in air pollution modeling and simulation. Comput Geosci, (11): , doi: /s Hans Wackernagel. Basics in Geostatistics 3 Geostatistical Monte-Carlo methods: Conditional simulation,

34 Damian Zasina