Wpływ niepewności danych emisyjnych na dokładność prognoz zanieczyszczeń atmosferycznych

• Autorzy: Piotr Holnicki , Zbigniew Nahorski

Warianty tytułu

Influence of Uncertainty of Emission Inventory on Accuracy of Air Quality Forecasts

• Języki publikacji: PL

Abstrakty

Zarządzanie jakością powietrza atmosferycznego wymaga powiązania różnych kategorii danych wejściowych (dane emisyjne, meteorologiczne, fizjograficzne parametry obszaru) oraz analitycznego opisu procesów rozprzestrzeniania się zanieczyszczeń (transport, dyspersja, depozycja, przemiany fizyko-chemiczne). Zadaniem właściwego modelu jest dostarczenie ilościowej oceny intensywności poszczególnych procesów oraz ich wyników w postaci rozkładu stężenia zanieczyszczeń lub ich depozycji. Dane te są z kolei podstawą do oceny wynikających stąd zagrożeń dla środowiska naturalnego oraz wspomagania decyzji planistycznych. Duża złożoność systemu powoduje, że w jego prognozach istnieje dość szeroki zakres niepewności, który należy uwzględnić w podejmowanych decyzjach. Ocenia się, że jednym z głównych źródeł niepewności w danych wejściowych jest opis pola emisji. Celem pracy jest określenie wpływu niepewności i nieprecyzyjności danych emisyjnych na niepewność prognoz generowanych przez model. Obliczenia przeprowadzono na rzeczywistych danych emisyjnych dla Warszawy, przy czym regionalny model CALPUFF wykorzystano do powiązania emisji źródeł z rozkładem średniorocznego stężenia różnych rodzajów zanieczyszczeń w obszarze. (abstrakt oryginalny)

EN

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 offour 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. (original abstract)

Słowa kluczowe

PL

Emisja zanieczyszczeń; Zanieczyszczenie powietrza; Metoda Monte Carlo

EN

Pollution emission; Air pollution; Monte Carlo method

• Czasopismo: Studia i Materiały Polskiego Stowarzyszenia Zarządzania Wiedzą
• Rocznik: 2010
• Tom: 33
• Strony: 146--157

Twórcy

autor

Piotr Holnicki

• Polska Akademia Nauk; Wyższa Szkoła Informatyki Stosowanej i Zarządzania w Warszawie

autor

Zbigniew Nahorski

• Polska Akademia Nauk; Wyższa Szkoła Informatyki Stosowanej i Zarządzania w Warszawie

Bibliografia

• 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.
• 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.
• 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.
• 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.
• Moore G.E., Londergan R.J.: Sampled Monte Carlo uncertainty analysis for photochemical grid models. "Atmospheric Environment", 35, 2001, 4863-4876.
• 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.
• 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.
• Russel A., Dennis D.: NASTRO critical review of photochemical models and modeling. "Atmospheric Environment", 34, 2000, 2283-2324.
• Sax T., Isakov V.: A case study for assessing uncertainty in local-scale regulatory air quality modeling applications. "Atmospheric Environment", 37, 2003, 3481-3489.
• Scire J.S., Strimaitis D.G., Yamartino R.J.: A User's Guide for the CALPUFF Dispersion Model. Earth Technology Inc., 2000.
• Sportisse B.: A review of current issues in air pollution modeling and simulation. "Computational Geosciences", 11, 2007, 159-181.
• 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.
• Zimmermann H.J.: An application-oriented view of modeling uncertainty. "European Journal of Operational Research", 122, 1999, 190-198.