Neural modelling of the spatial distribution of air pollutants : a new method developed considering as example Cyprus

Abstract

Das Ziel dieser Arbeit war die Entwicklung einer Methode zur Berechnung der flächenhaften Verteilung von Luftverunreinigungen. Atmosphärische Ausbreitungsmodelle modellieren die Verteilung von Gasen oder Partikel anhand mathematisch formulierbarer Wirkmechanismen. Messergebnisse von Luftverunreinigungen werden nur zur Validierung der berechneten Verteilung, bzw. zur Modellentwicklung eingesetzt. Jedoch ist die Verwendung vieler, gut verteilter Messdaten als Modelleingabe die einzige Möglichkeit, die tatsächlich existierende Verteilung der gesuchten Komponente zu berücksichtigen. Mit einem Netz von Passivsammlern kann eine solche Verteilung kostengünstig und zeitgleich erhoben werden. Im Rahmen des UNOPS-Projekts "Preliminary Assessment of Ambient Air Quality in Cyprus" wurde an 270 Punkten NO2 Passivsammler in sechs Messkampagnen exponiert. Auf diese Weise entstand eine gute Datenbasis für die Entwicklung einer Methode, mit der man die tatsächlich gemessene Verteilung von Luftverunreinigungen berücksichtigen kann. Darüber hinaus sollte man bei einem realitätsnahen Modell die wichtigsten Einflüsse, wie etwa die Bevölkerungsdichte oder die Emissionsverteilung miteinbeziehen. Gegenwärtig erfüllen drei Verfahren diese Anforderungen: Regressionsmodelle, Interpolation und Künstliche Neuronale Netze. Künstliche Neuronale Netze sind derzeit die einzige Möglichkeit, ein Modell unter Berücksichtigung der obengenannten Kriterien zu entwickeln. Der heute meistverwendete Netzwerktyp im Bereich Luftqualitätsmodellierung ist das sogenannte "Multilayer Perceptron", das auch im Rahmen dieser Arbeit zum Einsatz kam. Im Trainingsmodus wurde ein sogenannter kontrollierter Lernalgorithmus verwendet, bei dem der Anwender das Netz mit Ein- und bekannten Ausgangsvariablen, also Luftverunreinigungsmessungen trainiert. Die Aufgabe des neuronalen Netzes ist das Erlernen der zumeist nichtlinearen Zusammenhänge zwischen Ein- und Ausgabe. Zu diesem Zweck wurde ein Analysegitter mit 1x1 km Kantenlänge über das Untersuchungsgebiet Zypern gelegt und jeder Gitterzelle wurden die entsprechenden Eingabevariablen, wie etwa die UTM-Koordinaten zugeordnet. Bei den Gitterzellen mit Passivsammlern konnten die Zusammenhänge zwischen Eingabe und Ausgabe ermittelt und anschließend auf alle anderen Zellen übertragen werden. Im Laufe der Entwicklung wurden alle verfügbaren Variablen in uni- und multivariaten Modellen getestet. Mit den UTM-Koordinaten als Eingangsdatensatz konnte zunächst eine neuronale Interpolation erzielt werden. Das Ergebnis war eine vereinfachte Interpolationskarte mit NO2 Konzentrationen von 30 bis 40 μg/m³ in den Städten und geringeren Konzentrationen in ländlichen Gebieten. Bemerkenswert sind hierbei unrealistische, gerade Streifen von NO2 Konzentrationen um 20 μg/m³, welche die Städte Nicosia, Limassol und Larnaka miteinander verbinden. Anschließend wurde dem Analysegitter ein digitales Höhenmodell angepasst und das Netzwerk mit den resultierenden Höhenwerten trainiert. Auch hier traten physikalisch unmögliche Werte auf, wie etwa hohe NO2 Konzentrationen in Flusstälern. Ein sehr wichtiger Einfluss auf die Verteilung von Luftverunreinigungen sind die atmosphärischen Ausbreitungsbedingungen. Da alle meteorologischen Parameter ständig variieren ist es unmöglich ein mittleres Windfeld zu berechnen. Windstatistiken wären eine mögliche Lösung, können jedoch nicht direkt als Eingabe verwendet werden, da es sich im Falle der Windrichtung um eine Verteilung von mehreren Werten handelt. Um dennoch die Ausbreitungsbedingungen zu berücksichtigen, wurden Abgasfahnen der wichtigsten Emissionsquellen in Zypern berechnet. Methodisch kamen hierbei das Gauß-Modell P&K 3782 und statistische Analyseverfahren wie Regressionsanalysen zum Einsatz. Die Ergebnisse wurden mit einem neuen rechnerischen Ansatz auf das Analysegitter verteilt, wobei das Konzept der "Distributed Emissions" entwickelt wurde. Mit diesem Input für das Neuronale Netz konnte bereits eine sehr genaue NO2 Immissionskarte berechnet werden, auf der die Lage der Quellen und deren Emissionsstärken gut wiedergegeben werden. Nach den oben beschriebenen univariaten Modellen wurden multivariate Berechnungen durchgeführt, um auch noch die vorhandenen weiteren Einflussparametern miteinzubeziehen. Alle Modelle mit UTM-Koordinaten und Höhenwerten als Eingabe produzierten wiederum unrealistische Verteilungsmuster. Das beste Ergebnis konnte mit einem Neuronalen Netzwerk erzielt werden, das mit "Verteilten Emissionen" und der Populationsdichte trainiert wurde. Diese Modellkonfiguration bewahrte die positiven Aspekte der univariaten Ansätze und machte außerdem noch weitere Quellen wie Dörfer deutlich sichtbar. Eine realistische, fein strukturierte Immissionskarte von Zypern ist das Resultat dieser Berechnungen.

The objective of this work was to develop a method to calculate realistic air pollutants distribution maps. Most common state of the art dispersion models are limited in using air pollutant measurement data. They are only used for validation of the results - a fact that does not limit the importance of this model type which is still first choice for many questions. Yet, the usage of many, well distributed measurement data as a model input is the only possibility to provide a direct link to the actual air pollution distribution. So the first demand to the model was the ability to consider such data in its algorithm. Diffusive samplers are a predestined method to assess the spatial distribution of air pollutants, since they are the only economic possibility to carry out simultaneous measurements at many places. During the UNOPS project "Preliminary Assessment of Ambient Air Quality in Cyprus" NO2 diffusive samplers were exposed at 270 sites in six campaigns throughout one year. A second requirement for the model was the ability to consider the most important influence parameters, like the emissions or the population density - most available methods are limited in this respect. Three methods were found to generally fulfil these requirements: Regression models, interpolation algorithms and artificial neural networks. First, the regression analysis was excluded since it is too rigid, too limited to reproduce non-linear correlations and based on too many theoretical statistical assumptions that are hard to be kept. Interpolation is a well-developed standard method that is also recommended by the European Union. It was therefore tried to investigate the possibilities that lay in this approach. Simple interpolation failed to reproduce a realistic distribution of air pollutants, although exact interpolation algorithms preserve the measured values. The result maps depend strongly on the location of the measurement site; sources in between are neglected. In air pollution modelling and comparable fields of neural network application, it is common sense that multilayer perceptrons with backpropagation deliver the best results. In training mode, a so-called "controlled learning" was applied, where the user provides the input data together with a set of known outputs. The task of the network is to learn the correlation between inputs and outputs. For this purpose, an analysis grid of 1x1 km was laid over the research area of Cyprus and the most important influencing variables were intersected with this grid. For all grid cells with diffusive samplers, the correlations of the annual NO2 concentration with the input variables were calculated. First of all a neural interpolation of the diffusive sampler measurements could be established by using the UTM coordinates as input. The result was a simplified interpolation map with NO2 concentrations around 30 to 40 μg/m³ in the cities and lower concentrations in rural areas. Remarkable here are unrealistic straight stripes of medium NO2 concentrations of about 20 μg/m³ connecting the cities of Nicosia, Limassol and Larnaka where the highest concentrations were measured. A very important influence on the distribution of air pollutants are the dispersion conditions. The only realizable possibility to include meteorological data was to consider case studies for the major emission sources in Cyprus. So the dispersion plumes for the most important sources were calculated using annual wind statistics: For the largest cities, the power plants, one cement factory and the highways. Applied methods for this purpose were the Gaussian dispersion model P&K 3782 and statistical evaluations including regression analysis. Finally the plumes were transferred into so-called distributed emissions. Trained with this input data, the network reproduced the actual location and strength of all the sources that were used as input. After using univariate models, multivariate calculations were carried out to depict the complex correlations that influence the distribution of air pollutants. All models with UTM coordinates again created unrealistic large and regular plumes coming from the south-eastern bottom of the map, which lead to their exclusion. The same is true for the altitude. For both maps the population density was added with no positive effect. Finally, the best result could be established with a model that uses the enhanced emissions inventory and the population density as inputs. This configuration preserved the positive aspects of the univariate model with emissions and added additional sources like villages, which were omitted in the emissions inventory. A realistic, fine structured map was the result.