Autor RNDr. Josef Keder, CSc. Organizace Český hydrometeorologický ústav Název textu Vyhodnocení metod pro předpověď koncentrací přízemního ozónu Blok BK7 - Specializované modelové systémy Datum Červenec 2001 Poznámka Text neprošel redakční ani jazykovou úpravou
VYHODNOCENÍ METOD PRO PŘEDPOVĚĎ KONCENTRACÍ PŘÍZEMNÍHO OZÓNU Ozón je velmi agresivní oxidant, který se formuje složitými chemickými rekcemi z prekurzorů za přítomnosti aktivního ultrafialového záření. Produkce ozónu je nejvýznamnější ve dvou vrstvách zemské atmosféry: ve stratosféře mezi výškovými hladinami 20-30 km a v troposféře v blízkosti zemského povrchu. Zatímco stratosférický ozón plní nezastupitelnou roli ochranného štítu před biologicky aktivním ultrafialovým zářením Slunce, troposférický ozón je naopak považován za škodlivou znečišťující látku. V dalším bude pojmem ozón označován přízemní (troposférický) ozón. V souvislosti se zjištěnými nepříznivými účinky vysokých koncentrací ozónu na lidské zdraví, vegetaci a materiály vznikl a trvá zájem nejen o monitorování úrovně jeho koncentrací, ale též o včasnou předpověď výskytu epizod s vysokými koncentracemi ozónu překračujícími práh, kdy se jejich nepříznivé účinky začínají objevovat zejména u rizikových skupin populace. Takovéto předpovědi umožňují vydávat včasné varování pro veřejnost a poskytují prostor pro přípravu případných opatření ke snížení emisí prekurzorů ozónu s cílem snížit špičkové hodnoty a minimalizovat důsledky ozónových epizod. Nezbytnou podmínkou vytvoření efektivních metod predikce ozónových koncentrací je znalost fyzikálních a chemických procesů, řídících produkci ozónu a znalost mechanismů, jejichž prostřednictvím je úroveň znečištění ovzduší ozónem ovlivňována meteorologickými podmínkami. 1. ZÁKLADNÍ NÁČRT PROCESŮ FORMOVÁNÍ OZÓNU Ozón není přímo vypouštěn do ovzduší, ale tvoří se jako druhotná znečišťující látka jako výsledek složitého systému fotochemických reakci mezi oxidy dusíku a uhlovodíky, které jsou společně označovány jako prekurzory ozónu. Prekurzory mohou pocházet jak z antropogenních, tak z přírodních (biogenních) procesů. Hlavními zdroji prekurzorů jsou spalovací procesy, zejména emise z autodopravy, chemická výroba, vypařování pohonných hmot a rozpouštědel. Významnými zdroji těkavých organických látek mohou být lesní porosty a další druhy vegetace. Za přítomnosti ultrafialového záření slunce se oxid dusičitý štěpí po dle reakce NO 2 + hν! NO + O O+ O 2! O 3 Vzniklý ozón ovšem okamžitě oxiduje NO zpět na NO 2 O 3 + NO! NO 2 + O 2 Tento systém reakcí vede k ustálení rovnovážného stavu, kdy i bez antropogenních emisí dosahují ozónové koncentrace hodnot přirozeného pozadí 50 2
90 µg.m -3. Další akumulace ozónu nemůže nastat bez přítomnosti těkavých organických látek (VOC) obsahujících uhlovodíky. Ty zastoupí v titrační reakci s NO ozón a další oxid dusičitý vzniká podle schématické reakce VOC + NO! NO 2 + další produkty Vzniklý NO 2 je tak k dispozici jako výchozí materiál pro štěpení ultrafialovým zářením a ozónové koncentrace mohou narůstat. Pro formování postupů predikce ozónu je tedy nezbytná znalost režimů produkce emisí NO a VOC, jejich prostorové rozložení a časové změny. 3
2. METEOROLOGICKÉ PROCESY OVLIVŇUJÍCÍ ÚROVEŇ KONCENTRACÍ OZÓNU Denní a mezidenní změny celé řady meteorologických prvků ovlivňují tvorbu ozónu a chody jeho koncentrací stejně významně jako emise prekurzorů. Pochopení režimů počasí podporujících vznik ozónových epizod, je podmínkou správného výběru vstupních meteorologických proměnných pro predikční algoritmy. Mezi nejvýznamnější takové faktory je možno zařadit: Sluneční záření a oblačnost Teplota Tvar výškového profilu teploty Přízemní vítr Výškový vítr ultrafialové záření je nutnou podmínkou nastartování fotochemických procesů teplota vzduchu ovlivňuje rychlost fotochemických reakcí a biogenní emise prekurzorů labilita nebo stabilita atmosféry ovlivňuje turbulentní mísení a vertikální transport ozónu i jeho prekurzorů ovlivňuje podmínky ventilace a akumulace ozónu a prekurzorů ovlivňuje transport ozónu a prekurzorů v regionálním měřítku, zejména v nočních hodinách Každá metoda predikce imisní úrovně ozónu je na kvalitní předpověď těchto meteorologických prvků, které prostřednictvím ovlivňování emisí, podmínek ventilace, promíchávání a transportu ovlivňují úroveň lokálních koncentrací ozónu, mimořádně citlivá. 3. PŘEHLED METOD PRO PŘEDPOVĚĎ KONCENTRACÍ PŘÍZEMNÍHO OZÓNU Pro předpověď koncentrací ozónu byla vypracována řada metod, které se liší složitostí metodického přístupu, obtížností aplikace, nároky na zkušenost uživatele, nároky na technické vybavení a z toho rezultující přesností a úspěšností. Přehledný výčet nejčastěji používaných metod predikce ozónu je podán v publikaci US EPA (US EPA, 1999). Přehled každé metody obsahuje popis jejího principu, možností aplikace v konkrétních podmínkách uživatele jejích výhod a nevýhod. 4
Persistentní metoda naivní predikce Princip Uplatňuje se jednoduchý předpoklad persistence stávajícího stavu a budoucí koncentrace ozónu se předpokládá stejná jako měřením zjištěná koncentrace v referenčním období pro předpověď (např. maximální koncentrace ozónu v odpoledních hodinách zítřejšího dne se očekává stejná jako maximální hodnota změřená v předešlém dnu). Persistentní metoda má oporu v autokorelaci časových řad koncentrací ozónu: je pravděpodobné, že vysoké hodnoty koncentrací budou následovány rovněž vysokými hodnotami a naopak nízké hodnoty budou pravděpodobně následovány hodnotami rovněž nízkými. Persistence hodnot ozónových koncentrací je určována persistencí synoptické meteorologické situace. Významná změna meteorologických podmínek přináší rovněž zlom ve vývoji imisních koncentrací a persistentní metoda je pro takové případy nepoužitelná. Persistentní metoda se používá zejména jako metoda referenční pro testování jiných, sofistikovanějších metod predikce. Požadavky na vývoj metody Znalost úrovně koncentrací v období referenčním pro předpověď a znalost prognózy persistence meteorologické situace. Vyžaduje minimum zkušeností a klade na uživatele minimální nároky. Je nutno sledovat, zda nedochází k výrazné změně meteorologických podmínek. Výhody " Jednoduchá, rychlá a nenáročná metoda " Značně přesná v období se stálými meteorologickými podmínkami Nevýhody " Nelze předpovídat první a poslední den epizody vysokých koncentrací " Selhává při výrazných změnách povětrnostní situace 4.1.1. Klimatologická metoda Princip Vychází ze znalostí statistických charakteristik povětrnostních prvků a s nimi spojených koncentrací ozónu (průměrů, extrémů, počtu překročení vybrané prahové 5
hodnoty apod.). Metoda se opírá o fakt, že podobné situace mají tendenci se v ročním a sezónním chodu opakovat. Požadavky na vývoj metody Je nutná dostupnost datových souborů koncentrací a meteorologických parametrů za posledních alespoň 5 let. V emisních inventurách je nutno ověřit, zda nedošlo během krátké doby k výrazné změně emisní situace v oblasti, pro kterou se předpověď vydává. Metoda využívající klimatických tabulek neklade velké nároky na zkušenost uživatele. Je užitečná zejména při aplikaci v kontextu s jinými metodami, kdy umožňuje například posoudit věrohodnost předpovědi extrémních hodnot. Výhody " Jednouchá metoda z hlediska nároků na vývoj i použití " Vymezuje hranice pro jiné metody předpovědi Nevýhody " Je vázána na lokální podmínky, není přenositelná do jiné lokality " Je citlivá na náhlé změny v podmínkách emisí Metoda kriteriální Princip Využívají se prahové hodnoty meteorologických prvků a koncentrací kritéria. Splnění kritéria nebo souboru kritérií je předpokladem pro vydání předpovědi na výskyt vysokých hodnot koncentrace ozónu. Například překročení maximální denní teploty 25 o C je nutné kritérium pro překročení prahové koncentrace ozónu 180µg.m -3. Požadavky na vývoj metody Je nutná znalost fyzikálních a chemických procesů ovlivňujících úroveň ozónových koncentrací v zájmové oblasti. Na jejich základě se vyberou vstupní proměnné, například maximální teplota dne, ranní a polední hodnota rychlosti větru apod. Relevantnost vybraných prvků se dá testovat statistickými postupy. Na základě znalosti ozónových koncentrací za posledních alespoň 5 let se stanoví prahové hodnoty meteorologických prvků, které vymezují oblasti vysokých a nízkých 6
koncentrací. Stanovená kriteria se otestují metodou křížové validace na nezávislých datových souborech. Při výrazné změně emisních podmínek je nutno soubor kritérií aktualizovat. Je nutná dostupnost vstupních dat, pro něž jsou stanovena kritéria. Rozhodovací proces porovnání stávajících hodnot s kriteriálními hodnotami - nevyžaduje hlubší znalosti meteorologie a chemismu atmosféry. Výhody " Jednoduchá a provozně nenáročná metoda " Objektivní metoda, jež není nezatížená subjektivním postojem zpracovatele předpovědi " Metodu je poměrně snadné vyvinout i aktualizovat Nevýhody " Výběr vstupních proměnných a prahových hodnot je do značné míry subjektivní " Metoda není ideální pro předpověď hodnot koncentrací, spíše předpovídá překročení nebo nedosažení určitých limitních hodnot Metoda klasifikačních a regresních stromů (CART) Princip Metoda je založena na statistické proceduře zařazující data do disjunktních, navzájem nepodobných skupin. Údaje o hodnotách koncentračních špiček jsou postupně členěny vždy do dvou skupin na základě stanovené prahové hodnoty vybraného prediktoru. Výběr prediktoru a prahové hodnoty provádí specializovaný program pro konstrukci rozhodovacích stromů. Ten identifikuje proměnné nejvíce korelované s vysokými hodnotami ozónových koncentrací a provádí zařazení dat do dvou disjunktních skupin. Celý proces pokračuje až do stavu, kdy je každá skupina dat dostatečně homogenní (ČHMÚ, 1998). Požadavky na vývoj metody Na základě znalosti rozhodujících fyzikálních a chemických procesů ovlivňujících koncentrace ozónu v zájmové oblasti, se vybere soubor vstupních proměnných. Jedná se obvykle o meteorologické parametry, ale jako další proměnné se mohou použít např. pořadí dne v týdnu nebo délka světlé části dne. Rozhodovací 7
stromy, vytvořené pomocí specializovaného softwarového systému, je nutno validovat pomocí souborů nezávislých dat, které nebyly při konstrukci stromů použity. Stromy je nutno aktualizovat při změně emisních podmínek. Je nutno zajisti přísun naměřených hodnot vstupních proměnných. Na rozdíl od vývoje metody je operativní provoz jednoduchý, nevyžaduje velké zkušenosti provozovatele a specializované programové vybavení. Uživatel postupně porovnává hodnoty prediktorů s prahovými hodnotami, v rozhodovacím stromu je veden po větvích stromu k výsledné hodnotě prediktandu. Výhody " Jednoduchá metoda, rychlé zpracování " Umožňuje diferencovat mezi situacemi, kdy ozónové koncentrace jsou výsledkem rozdílných procesů Nevýhody " Vývoj metody je náročnější na zkušenost a vyžaduje specializovaný program " Predikovaná hodnota koncentrace ozónu je velmi citlivá na malé změny hodnot prediktorů " Může selhávat v případě neobvyklých emisních situací (např. zvýšený silniční provoz o svátcích) Regresní metody Princip Je založena na regresních rovnicích popisujících statistické vztahy mezi koncentrací ozónu a hodnotami prediktorů. Požadavky na vývoj metody Na základě znalosti rozhodujících fyzikálních a chemických procesů, ovlivňujících koncentrace ozónu v zájmové oblasti, se vybere soubor vstupních proměnných - prediktorů. Přiřadí se odpovídající hodnoty koncentrací ozónu prediktandu. Datový soubor by měl zahrnovat alespoň 5 let. Pomocí standardních postupů regresní analýzy se stanoví hodnoty regresních koeficientů. Při konstrukci regresních rovnic je nutno respektovat požadavky na normalitu rozložení proměnných. Doporučuje se výběr rozumného počtu prediktorů, maximálně 10 proměnných. 8
Regresní vztahy je možno konstruovat pro stratifikované hodnoty, například pro jednotlivé měsíce, typy povětrnostních situací apod. Stanovené regresní rovnice je třeba validovat na nezávislých datových souborech. Ve srovnání s procesem vývoje metody je provoz jednoduchý. Je nutno zjistit přísun hodnot vstupních proměnných (prediktorů). Výpočet hodnot koncentrací nevyžaduje hlubší znalosti meteorologie a atmosférické chemie. Je nutno brát v úvahu nejistoty v hodnotách prediktorů, které jsou rovněž produktem nějaké předpovědní metody. Výhody " Regresní metoda je široce používaná a dobře dokumentovaná, existuje řada kvalitních statistických programů pro výpočet regresních vztahů a jejich provozování na PC je rychlé a snadné " Metoda je objektivní, je schopná detekovat vztahy mezi proměnnými, které nelze odhalit subjektivními postupy Nevýhody " Vývoj metody je náročný na zkušenosti zpracovatele " Regresní postupy předpovídají střední hodnoty nikoliv okrajové části statistických rozdělení proměnných. Důsledkem je podhodnocení vysokých koncentrací a nadhodnocení koncentrací nízkých Umělé neuronové sítě (ANN) Princip ANN (artificial Neural Networks) jsou algoritmy simulující činnost lidského mozku a proces učení (ČHMÚ, 1998). Vhodně konstruované a trénované ANN jsou schopny detekovat nelineární závislosti a trendy v rozsáhlých datových souborech. ANN využívají složitých kombinací váhových funkcí, jejichž prostřednictvím se vektoru vstupních proměnných (prediktorů), přiváděných na vrstvu vstupních neuronů, přiřazuje výsledná hodnota prediktantu, která se objevuje na neuronech výstupní vrstvy. Váhové funkce se formují během procesu učení (tréninku) neuronové sítě, kdy jsou síti postupně předkládány sobě příslušné dvojice vstupních a výstupních vektorů. Váhové funkce jsou postupně nastavovány tak, aby se minimalizovala chyba mezi hodnotou výstupu ANN a hodnotou požadovanou. Po skončení procesu učení se síť testuje na souboru nezávislých dat, která nebyla použita při jejím učení. 9
Požadavky na vývoj metody Vytvoření a učení ANN je poměrně zdlouhavý a náročný proces vyžadující značnou zkušenost a specializované programové vybavení. Vývoj metody je náročný rovněž na dostatečné množství dat, datový soubor musí zahrnovat alespoň 5 let.. Vstupní datový soubor je nutno rozdělit na 3 části. Prvá se využije pro trénink vytvořené sítě, druhá slouží k testování výskytu jevu tzv. přetrénování ANN a třetí část dat se využije k validaci sítě. Provozování vytvořené ANN je na rozdíl od její konstrukce a učení jednoduché. Je nutno zajistit přísun vstupních dat a ošetřit případné výpadky v těchto datech. Výhody " ANN jakožto nelineární metoda predikce je mimořádně vhodným prostředkem pro vyšetřování procesu tvorby ozónu, který je rovněž nelineární " Pokud byly v tréninkovém souboru dostatečně zastoupeny odlehlé hodnoty (outliers), je ANN schopna detekovat extrémní hodnoty lépe než regresní metoda Nevýhody " Neuronové sítě jsou složité a jejich princip nebývá často plně pochopen, z čehož plyne nebezpečí schématického přístupu k této metodě a její nesprávné aplikace, zejména v případě, kdy má nezkušený uživatel k dispozici sofistikovaný specializovaný software Trojrozměrné numerické simulační modely Princip Trojrozměrné (3-D) modely simulující kvalitu ovzduší jsou složité matematické popisy procesů transportu, rozptylu a chemických změn znečišťujících látek v ovzduší. Původně byly 3-D modely používány pro případové studie ozónových epizod a simulace dopadů změn emisí. V současné představují ve spojení s numerickými předpovědními modely, které poskytují vstupní meteorologická pole, mohutný nástroj pro denní operativní předpověď ozónových koncentrací. Jednotlivé 3-D modely se liší použitým způsobem parametrizace chemických změn, numerickými algoritmy, velikostí modelové oblasti, počtem vertikálních hladin a velikostí elementů čtvercové výpočetní sítě. Velikost čtvercových elementů se obvykle pohybuje od 4 do 36 km, počet vertikálních hladin se volí od 5 do 15. Volba počtu hladin a velikost elementu čtvercové sítě je kompromisem mezi vysokou 10
prostorovou rozlišovací schopností a náklady na strojový čas výpočtu. Moderní 3-D modely využívají techniky tzv. nestingu, kdy je rozlišovací schopnost modelu menší v odlehlých oblastech a jemné rozlišení se používá v oblastech zvýšeného zájmu. Požadavky na vývoj metody V současné době je dostupná řada 3-D modelů pro simulaci koncentrací ozónu, například CAMx, MAQSIP, UAM-V a dalších, z nichž některé jsou volně k dispozici na síti Internet. Implementace 3-D modelů však i přes tuto skutečnost představuje náročný proces vyžadující odpovídající počítačové vybavení a vysoce kvalifikovaný personál. Pro 3-D modely je nutno zajistit přísun emisních a meteorologických vstupních dat a okrajových podmínek ve vhodných formátech. Celý provoz modelů této kategorie musí být plně automatizován Výhody " 3-D modely předpovídají ozónové koncentrace pro rozsáhlé oblasti " Předpověď je možno dělat i pro oblasti nepokryté monitorovací sítí " Je možno provádět modelové simulace pro různé emisní scénáře a testovat vliv jednotlivých meteorologických prvků Nevýhody " Modely této třídy jsou vysoce citlivé na kvalitu emisních inventur a emisních modelů " Přesnost predikce koncentrací ozónu závisí na kvalitě výstupů z numerických meteorologických modelů. Například nepřesnosti v prognóze směru a rychlosti větru způsobí významný posun v poloze maxim ozónových koncentrací " Lokální koncentrace ozónu mohou být ovlivněny vlivy malého měřítka nezahrnutými do modelu 11
4. POROVNÁNÍ METOD PREDIKCE Porovnání jednotlivých metod predikce ozónových koncentrací je shrnuto v následující tabulce. Metoda Persistentní Klimatologická Kriteriální Rozhod. stromy Regresní ANN 3-D modely Nároky na vývoj Malé Malé/Střední Malé/Střední Střední Střední Střední/Vysoké Velmi vysoké Nároky na provoz Malé Malé Malé Malé Střední Střední Velmi vysoké Přesnost Malá Malá Střední Střední/Vysoká Střední/Vysoká Střední/Vysoká Střední/Vysoká Vývoj Nároky na zkušenost Software/Hardware Nároky na zkušenost Tabulkový procesor/pc Schopnost získat dnešní a včerejší ozónová data Tabulkový procesor/pc Schopnost získat ozónová data a interpretovat grafy a tabulky Schopnost identifikovat klíčové prediktory Znalost statistiky a metody rozhod. stromů Znalost statistiky a regresních metod Znalost statistiky a ANN Statistický SW/PC CART SW/PC Statistický SW/PC Statistický a NN SW/PC Schopnost získat pozorovaná a predikovaná meteorologická a imisní data Schopnost získat pozorovaná a predikovaná meteorologická a imisní data, schopnost používat rozhodovací stromy Schopnost získat pozorovaná a predikovaná meteorologická a imisní data,, schopnost používat výpočetní program nebo tabulkový procesor Schopnost získat pozorovaná a predikovaná meteorologická a imisní data,, schopnost používat výpočetní program Vysoce kvalifikovaná znalost vztahů emisemeteorologie-imise Prognostický a, emisní model, 3-Dmodel/ Supercomputer Základní znalost vztahů meteorologie-imise 12
5. APLIKACE METOD PRO PŘEDPOVĚĎ OZÓNU V ČESKÉ REPUBLICE Rozvoj metod predikce koncentrací ozónu byl umožněn vybudováním rozsáhlé automatizované monitorovací sítě kvality ovzduší na území ČR na počátku 90. let. Tato síť v roce 1999 zahrnovala celkem 53 míst, kde bylo prováděno měření půlhodinových koncentrací troposférického ozónu (Fiala a kol., 2000). Soubory naměřených dat byly využity pro konstrukci lineárního regresního modelu pro předpověď maximálních koncentrací ozónu na následující den (Keder, Šimšová, 1997a). Jako prediktory byly použity maximální koncentrace ozónu ve dni předcházejícímu předpovědi, maximální teplota vzduchu ve dni předcházejícím předpovědi a předpovězená maximální teplota na den předpovědi. Regresní vztahy byly konstruovány s ohledem na odlišný typ denních chodů koncentrací ozónu na různých typech stanic (městská, venkovská, horská) a za různých povětrnostních situací. Vyhodnocení úspěšnosti předpovědí touto metodou (Keder, Šimšová, 1997a, Keder, Šimšová, 1997b) ukázalo, že metoda poskytuje výsledky srovnatelné s modely stejné třídy používanými v zahraničí. Další etapa rozvoje metod předpovědi koncentrací ozónu v ČR je spojena s řešením grantového projektu VaV/520/2/97 (ČHMÚ, 1998). V jeho rámci prověřoval ČHMÚ ve spolupráci s Ústavem informatiky AV ČR možnosti využití nelineárních metod predikce fotochemického smogu. Jako perspektivní byla studována zejména metoda umělých neuronových sítí, nicméně stranou nebyly ponechány ani další postupy. Z analýzy vstupních dat vyplynulo, že z hlediska vlivu na vysoké koncentrace O 3 jsou nejvýznamnějšími vstupními veličinami kromě teplot zejména vlhkost a rychlost větru. Tyto analýzy se dále ověřovaly použitím dat z různých typů měřících stanic (městská, příměstská, venkovská, horská). Ke klasifikaci jednotlivých stanic bylo použito Kohonenovy neuronové sítě pro zprůměrované denní průběhy NO, NO 2 a O 3. Výsledky všech těchto tří klasifikací prokázaly dobrou shodu s experimenty provedenými dříve v ČHMÚ. Na základě vytipovaných vstupních dat byly navrženy predikční modely pro předpověď překročení stanovené prahové hodnoty. Modely jsou konstruovány tak, aby predikci pro následující den bylo možné provést v 16.00 SEČ aktuálního dne. Predikční modely jsou založeny na třech statistických přístupech: umělých neuronových sítích, Kalmanově filtraci a klasifikačních stromech. Důvodem pro aplikaci těchto tří nezávislých technik bylo vzájemné porovnání a ověření správnosti navržených postupů a ověření možnost jejich případného vzájemného doplnění. Modely založené na umělých neuronových sítích byly navrženy jako neuronové klasifikátory, predikující překročení imisního limitu 130 µg.m -3 a 180 µg.m -3. Výkonnost 13
těchto modelů je velice dobrá, nevýhodou se může jevit jejich neprůhlednost. Modely založené na Kalmanových filtrech jsou dostatečně robustní, spolehlivé a flexibilní pro praktické použití. Mohou posloužit jako prediktor numerické hodnoty maxima ozónu na příští den na jednotlivých stanicích a tak poskytnout základ pro další postupy např. pro konstrukci předpovědních map. Rovněž mohou být jedním ze vstupů pro klasifikátory, které pomocí dalších proměnných nebo expertní informace přesněji předpoví překročení hranice 180 respektive 130 µg.m -3. Klasifikační stromy se dle očekávání ukázaly jako spíše hrubší predikční nástroj, kterým je obtížné z použitých dat získat modely s dobrou výkonností. Významnější roli mohou hrát spíše při návrhu korekce existujících modelů. Testování přenosnosti predikce a hodnocení úspěšnosti vyhlašování poplachů provedené na datech z roku 1998 prokázalo, že ozónové epizody je možné rozdělit do třech kategorií z hlediska predikovatelnosti: " Ozónové epizody snadno predikovatelné (většina) " Ozónové epizody predikovatelné za cenu únosného zvýšení počtu falešných poplachů " Epizody daným modelem nepředpověditelné bez neúnosného zvýšení počtu falešných poplachů Důvodem existence poslední třídy epizod může být odlišný způsob vzniku vysokých koncentrací ozónu, který se vyskytuje relativně zřídka. Metody založené na statistickém zpracování historických dat obtížně podchycují. V porovnání s persistentním modelem (model typu zítra bude tak jako dnes ) a s lineárně regresním modelem dříve testovaným v ČHMÚ prokázaly navržené nelineární modely výrazně lepší výsledky. Metody predikce založené na neuronových sítích a Kalmanově filtraci byly začleněny do prognózního systému APROPOS používaného v ČHMÚ. Struktura systému a výsledky jeho testování jsou shrnuty v pracích (Keder, 2000; Pelikán a kol., 2000).Vývoj nelineárních statistických metod pro předpověď ozónu pokračuje na bázi mezinárodní spolupráce v rámci projektu APPETISE, který je začleněn do 5. rámcového projektu Evropské unie (APPETISE, 1999) V ČR dosud není k predikci ozónu využívána třída numerických simulačních modelů (3-D modely).v průběhu řešení grantového projektu VaV/520/2/98 (ČHMÚ, 1999) byl vytvořen submodel chemizmu mezní vrstvy atmosféry, který by ve spolupráci s vhodným modelem transportu a rozptylu znečišťujících látek v ovzduší mohl sloužit pro prognózu koncentrací ozónu. Provedené experimenty ukázaly, že zabudování tohoto submodelu do disperzních vlečkových modelů Gaussovského typu nebo tzv. puff modelů nepředstavuje perspektivní cestu. Za tím účelem bude třeba vytvořit a zprovoznit numerický model eulerovského typu, jakými jsou například dříve zmíněný CAMx nebo UAM-V. Zprovoznění modelu CAMx se zabudováním asimilace monitorovaných dat pomocí Kalmanova filtru je testováno v rámci projektu APPETISE. 14
S ohledem na řadu metodických a provozních problémů spojených zejména se získáváním potřebných vstupních dat a vytvořením dostatečně podrobných emisních inventur nelze provozně použitelné výsledky očekávat v nejbližší době. Vývoj a implementace numerických 3-D modelů pro předpověď ozónu představuje dosud v podmínkách ČR slabý článek a bude tudíž tímto směrem orientovat úsilí dostupné domácí výzkumné základny. 6. LITERATURA APPETISE, http://www.uea.ac.uk/env/appetise/ Fiala, J. a kol.: Znečištění ovzduší a atmosférická depozice v datech, Česká republika 1999, ČHMÚ, Praha, 2000 Guideline for Developing an Ozóne Forecasting Program, EPA-454/R-99-009, U.S. Environmental Protection Agency, Research Triangle Park, North Carolina 27711, July 1999 Keder, J., Šimšová, Z.: Velmi krátkodobá předpověď koncentrací znečišťujících látek Diplomová práce, MFF UK, KMOP, Praha, duben 1997 Keder, J., Šimšová, Z.: Výskyt vysokých koncentrací ozónu na území ČR v letním období a možnost překročení zvláštních imisních limitů In: Sborník přednášek 7. odborné konference Znečištění ovzduší a zdraví, Špičák 5.-7.5.1997, KHS Plzeň, 1997 Keder, J.: Statistical and Neural Network Ozóne Forecasts in the Czech Republic, In: Proc. of the EUMETNET Workshop on Ground- Level Ozóne Forecasting, Langen, Germany, 2000 Pelikan, E. at al.:ground level ozóne peak forecasts using neural networks and Kalman filter, Meteorological Journal, 3 (2000), Nr. 2, pp. 3-8, Vznik a režim změn letního fotochemického smogu na území ČR, závěrečná zpráva za projekt VaV/520/2/97, ČHMÚ, Praha, listopad 1998 Vytvoření submodelu chemických a radioaktivních transformací pro modely transportu a rozptylu, závěrečná zpráva za projekt VaV/520/2/98, ČHMÚ, Praha, listopad 1999 15