Rozvoj metodiky tvorby map znečištění Jan Horálek Pavel Kurfürst, Nina Benešová, Roman Juras, Jana Ďoubalová
1. Stávající metodika mapování a její použití 2. Rozvoj mapování NO 2 pomocí LC a dopravních dat 3. Rozvoj mapování BaP pomocí tzv. pseudo stanic 4. Rozvoj mapování NO 2, SO 2 a PM pomocí satelitních dat
Stávající metodika mapování Kombinace dat naměřených na stanicích imisního monitoringu (jakožto primárních dat) a různých doplňkových dat (výstup z modelu CTM, nadmořská výška, hustota populace, meteorologická data, ) Pomocí vícenásobné regrese a interpolace jejích reziduí Venkovské a městské (a případně dopravní) znečištění mapováno odděleně, jednotlivé mapové vrstvy následně sloučeny Lze charakterizovat jako mapování pomocí regrese interpolace sloučení ( regression interpolation merging mapping ), pro metodu používán akronym RIMM Různé varianty metody pro jednotlivé znečišťující látky, pro mapování české a evropské, pro hodinová, denní a roční data
Použití metodiky mapování RIMM Grafická ročenka Znečištění ovzduší na území České republiky (mapy následně podkladem pro Zprávu o životním prostředí) Každoroční zpráva European air quality maps (mapy následně podkladem pro zprávu Air quality in Europe ) Operativní mapy na webu ČHMÚ
PM 2,5 roční průměr, 2015, ČR
O 3 26. nejvyšší max. denní 8-hod. klouzavý průměr, průměr za trojleté období 2013-2015, ČR
PM 2,5 roční průměr, 2014, Evropa
O 3 93,2 percentil z max. denních 8-hod. klouzavých průměrů, 2014, Evropa
PM 10 denní průměr, 22. 5. 2017, ČR
1. Stávající metodika mapování a její použití 2. Rozvoj mapování NO 2 pomocí LC a dopravních dat 3. Rozvoj mapování BaP pomocí tzv. pseudo stanic 4. Rozvoj mapování NO 2, SO 2 a PM pomocí satelitních dat
Rozvoj mapování NO 2 pomocí dat pokryvu půdy (land cover) a dopravních dat ETC/ACM Technical Report 2016/12 Inclusion of land cover and traffic data in NO 2 mapping methodology http://acm.eionet.europa.eu Začlenění metod LUR (land use regresssion), resp. dat pokryvu půdy a silničních dat do regresní části metodiky, v rozlišení 1x1 km Tvorba dopravní vrstvy pomocí dopravních stanic a následné sloučení s pozaďovou (městskou a venkovskou) mapou pomocí dopravních dat v detailním měřítku Metodika vyvinuta jak pro tvorbu map, tak pro odhad expozice obyvatel
Začlenění dat pokryvu půdy a silničních dat do tvorby pozaďové (městské a venkovské) mapy Na základě literární rešerše (provedené kolegy z NILU) vytipovány vhodné skupiny tříd pokryvu půdy CLC: 44 tříd bylo přeskupeno do nových 8 tříd, ty agregovány do 1x1 km gridu a navíc do kruhů s poloměrem 5 km, klouzavě pro každou buňku gridu 1x1 km
Začlenění dat pokryvu půdy a silničních dat do tvorby pozaďové (městské a venkovské) mapy Jako silniční data použita databáze GRIP (PBL): 5 tříd silnic Třída 5 nepoužita, z důvodu předpokládané malé intenzity dopravy V prostředí GIS spočteny následující charakteristiky: Procento buňky gridu 1x1 km ovlivněné dopravou, na základě bufferu okolo silnice: pro jednotlivé třídy silnic 1 až 4, pro třídy 1 3 dohromady a pro třídy 1 4 dohromady. Velikost bufferu stanovena: 75 m pro třídy silnic 1 2, 50 m pro třídy silnic 3 a 4. Vzdálenost měřicí stanice od nejbližší silnice: pro jednotlivé třídy silnic 1 až 4, pro třídy 1 3 dohromady a pro třídy 1 4 dohromady
Začlenění dat pokryvu půdy a silničních dat do tvorby pozaďové (městské a venkovské) mapy V regresní analýze uvažováno 37 doplňkových proměnných: EMEP model meteorologické parametry (4 veličiny) nadmořská výška (2 varianty: 1x1 km, kruh s poloměrem 5 km) populace (1x1 km, 2 varianty) pokryv půdy (8 veličin, ve všech případech 2 varianty) dopravní data (12 veličin) Pomocí stepwise regrese a backward elimination byly vybrány nejvhodnější parametry, zvlášť pro venkovské a městské pozaďové oblasti, ve dvou variantách (včetně EMEP modelu a bez něj) Tyto dvě varianty byly následně porovnávány s dosavadní metodou a jejími dvěma variantami.
Parametry variant regrese, venkovské a městské pozadí Jednotlivé varianty byly následně vzájemně porovnány, pomocí parametrů cross-validace: RMSEs relativní RMSE, bias, regresní rovnice a R 2 z cross-validačního scatterplotu
Porovnání jednotlivých variant venkovské a městské pozaďové mapy pomocí cross-validace Varianta (iv) se začleněním LC a dopravních dat (včetně EMEP modlu) přináší výrazné vylepšení metodiky, viz relativní RMSE a R 2 z cross-validačního scatterplotu.
NO 2 venkov. a městské pozadí, roční průměr, 2013, Evropa
Tvorba dopravní vrstvy pomocí dopravních stanic Vzhledem k malému počtu venkovských dopravních stanic vytvořena jen dopravní městská vrstva, znečištění ovzduší z dopravy na venkově zanedbáno Vstupem do regresní analýzy je týchž 37 veličin jako pro pozadí Pomocí stepwise regrese a backward elimination vybrány optimální parametry, obdobně jako pro venkovské a městské pozadí, tj. ve dvou variantách Tyto dvě varianty byly následně porovnávány s dvěma variantami bez dat pokryvu půdy a silničních dat
Parametry variant regrese, městská dopravní vrstva Jednotlivé varianty byly následně vzájemně porovnány, pomocí parametrů cross-validace: RMSEs relativní RMSE, bias, regresní rovnice a R 2 z cross-validačního scatterplotu
Tvorba dopravní vrstvy pomocí dopravních stanic - porovnání jednotlivých variant pomocí cross-validace Jednotlivé varianty dávají dosti podobné výsledky, nejlepší varianty jsou se začleněním LC a dopravních dat, tj. (iii) a (iv). Z hodnot RRMSE (24%) a R 2 z cross-validačního scatterplotu (0.51) vyplývá, že odhady dopravního znečištění jsou poměrně kvalitní. Proto je tato dopravní mapová vrstva následně sloučena s mapou pozaďovou.
NO 2 městská dopravní vrstva, roční průměr, 2013, Evropa Mapu je možno aplikovat pouze pro městské dopravní oblasti.
1 w ( s ) Zˆ ( s ) w ( s ) Zˆ ( ) Z ˆ U ( s0) T 0 UB 0 T 0 T s 0 Sloučení pozaďové a dopravní vrstvy Sloučení s městskou pozaďovou vrstvou Váha - pomocí bufferu kolem silnic. Společná městská vrstva je následně sloučena v vrstvou venkovskou, tak jako v dosavadní metodice. Všechny mapy v rozlišení 1x1 km. V případě expozice sloučení odlišně, aby nedošlo ke shlazení v rámci buňky gridu 1x1 km.
NO 2 roční průměr, 2013, Evropa
1. Stávající metodika mapování a její použití 2. Rozvoj mapování NO 2 pomocí LC a dopravních dat 3. Rozvoj mapování BaP pomocí tzv. pseudo stanic 4. Rozvoj mapování NO 2, SO 2 a PM pomocí satelitních dat
Rozvoj mapování BaP pomocí tzv. pseudo stanic ETC/ACM Technical Report 2016/3 Potential improvements on benzo(a)pyrene (BaP) mapping http://acm.eionet.europa.eu Pseudo BaP stanice koncentrace BaP odhadnuty v bodech stanic PM 10 či PM 2.5, na základě vztahu mezi BaP a PM 10 (resp. PM 2.5 ) odhadnutém na stanicích měřících obě veličiny, pomocí vícenásobné lineární regrese Odhadnuté hodnoty BaP v těchto lokalitách následně použity pro mapování (nikoli pro odhad nejistoty pomocí cross-validace) Tímto způsobem je zahuštěna měřící síť
Parametry variant regrese pro pseudo stanice Varianty s logaritmickou transformací dávají lepší výsledky. Následně varianty s pseudo stanicemi porovnány s dvěma variantami bez pseudo stanic.
Parametry variant regrese, venkovské a městské pozadí Jednotlivé varianty byly následně vzájemně porovnány. Jednak pomocí parametrů cross-validace: RMSEs relativní RMSE, bias, regresní rovnice a R 2 z cross-validačního scatterplotu. Jednak podle relativní standardní chyby odhadu interpolace.
Porovnání jednotlivých variant venkovské a městské pozaďové mapy pomocí cross-validace Varianty (ii) a (iii) se pseudo stanicemi dávají lepší výsledky pro venkov a obdobné výsledky jako dosavadní metoda (i) pro města. Relativní standardní chyba interpolace, která je ovlivněna počtem stanic, dává nejlepší výsledky pro (ii), pak pro (iii)
BaP relativní chyba interpolace, r. pr. 2013, Evropa, metody (i) a (iv), tj. bez pseudo stanic
BaP relativní chyba interpolace, r. pr. 2013, Evropa, metody s pseudo stanicemi z PM 10 (ii) a PM 2.5 (iii)
BaP roční pr. 2013, Evropa, metoda s pseudo stan. z PM10
1. Stávající metodika mapování a její použití 2. Rozvoj mapování NO 2 pomocí LC a dopravních dat 3. Rozvoj mapování BaP pomocí tzv. pseudo stanic 4. Rozvoj mapování NO 2, SO 2 a PM pomocí satelitních dat
Rozvoj mapování NO 2, SO 2 a PM pomocí satelitních dat V rámci projektu SAMIRA ( SAtellite based Monitoring Iniciative for Regional Air quality, poskytovatel: ESA) http://samira.nilu.no Náplní jednoho ze sedmi dílčích úkol projektu, tj. WP4000 Using satellite data and data fusion techniques for air quality mapping Začlenění satelitních dat do tvorby map Doposud testováno na historických datech roku 2014, ve druhé fázi projektu bude testováno na operativních datech Časový krok: rok, den, hodina Dosažené výsledky budou představeny v dalších prezentacích
Kombinace staničních, modelových a satelitních dat schéma Zdroj: P. Schneider, NILU
NO 2 denní průměr, 8. 6. 2014, ČR
Děkuji za pozornost.