Rozwój metod geoprzestrzennych w szacowaniu emisji …³j-metod-geoprzestrzennych.pdf ·...

Cel i zakres analizy Geostatystyka Wyniki Wnioski � Literatura

1 / 23

Rozwój metod geoprzestrzennych w szacowaniuemisji zanieczyszczen do powietrza

Damian Zasina, Jarosław Zawadzki & Krystian Szczepanski

IV Sympozjum Naukowe ProEnergo

27-28 wrzesnia 2017, Michałowice


Plan prezentacji

Cel i zakres analizy

Geostatystyka

Wyniki

Wnioski

2 / 23


Cele

◦ Poprawa metodyki szacowania emisji top-down z wykorzystaniem danych

geoprzestrzennych o obszarach zabudowanych.

◦ Poprawa biezacej metodyki tworzenia surogatów dla rozkładów

przestrzennych emisji zanieczyszczen do powietrza.

◦ Wsparcie inwentaryzacji emisji wykorzystaniem modelowania

geoprzestrzennego (analiz GIS).

◦ Wsparcie modelowania matematycznego jakosci powietrza.

3 / 23


Obszary zabudowane

◦ Rozkład przestrzenny obszarów zabudowanych moze byc miara

aktywnosci antropogenicznej, która skutkuje zanieczyszczeniem powietrza

(emisjami).

◦ Powierzchnia OZ do epwnego stopnia łaczy sie z rozkładem

przestrzennym gestosci zaludnienia oraz powierzchni mieszkalnych w

budynkach, które moga byc wykorzystane do oszacowania emisji

zanieczyszczen do powietrza.

◦ Wszelkie hot-spoty moga byc wykrywane z pomoca narzedzi

geostatystycznych.

4 / 23


Badany obszar

460000 480000 500000 520000 540000

2400

0026

0000

2800

00

E [m]

N [m

]

Rysunek 1: Rozkład przestrzenny terenów zabudowanych [km2] zagregowany

w siatce 2km× 2km.

5 / 23


Rozkłady powierzchni zabudowanych

Fre

quen

cy

0.0 0.5 1.0 1.5 2.0 2.5 3.0

050

100

150

(a)

Fre

quen

cy

3.5 4.0 4.5 5.0 5.5 6.0 6.5

020

4060

8010

012

014

0

(b)

Rysunek 2: (a) Dane „surowe” [km2 = 106m2]; (b) dane zlogarytmowane [log10 m2].

6 / 23


Wariogram (1)

7 / 23

γ(h) = 12N(h)

∑(i,j)hi,j=h

[Z(xi) − Z(xi + h)]2


Wariogram (2)

8 / 23

← Zakres, a→

↑Próg, s

↓ ↑Ef. samorodka (tu=0)


Anizotropia

h

γ

0.05

0.10

0.15

0.20

0.25

0.30

5000 10000 15000 20000 25000 30000

(a)

h

γ

0.05

0.10

0.15

0.20

0.25

0.30

5000 15000 25000

0 30

5000 15000 25000

60

90

5000 15000 25000

120

0.05

0.10

0.15

0.20

0.25

0.30

150

(b)

Rysunek 3: Wariogramy empiryczne zlogarytmowanej (log10) pow. zabudowanej:

(a) izotropowy; (b) wariogramy anizotropowe: δ ∈ {0◦, 30◦, 60◦, 90◦, 120◦, 150◦}; h,

odległosc [m]; γ, semiwariancja [(log10 m2)2].

9 / 23


Metoda zagniezdzania semiwariancji

h

γ

0.05

0.10

0.15

0.20

0.25

0.30

5000 10000 15000 20000 25000 30000

10 / 23

γ1(h)

γ2(h) γ3(h)

γ(h) = γ1(h) + γ2(h) + · · ·+ γn(h).


Modelowanie wariogramów

Wariogram empiryczny (izotropowy, Rys. 3a), wykorzystuje modele: sferyczny

(1) oraz gaussowski (2), zastosowano niezaleznie dwie struktury

zagniezdzone.

γ(h) =

c ·

(32

(|h|

a

)− 1

2

(|h|

a

)3)

if h 6 a

c otherwise, (1)

γ(h) = c ·(

1 − exp(−3|h|2

a2

)), (2)

gdzie: h odległosc; a, zakres (praktyczny) oraz c, próg.11 / 23


Modele teoretyczne wariogramów (1)

Model Próg, s Zakres, a SSE

--- [(log10 m2)2] [m]

1 (Fig. 4a)

ef. samorodka 0, 02 0

2.455 · 10−7sferyczny 0.12 2, 000

sferyczny 0.08 5, 500

gaussowski 0.07 16, 500

2 (Fig. 4b)

ef. samorodka 0, 09 0

2.686 · 10−9sferyczny 0.13 5, 214

gaussowski 0.09 19, 339

Najlepszy model jest przyjesty na podstawie nizszej wartosci SSE (suma kwadratów błedów),

podkreslone. Nizsza wartosc SSE wskazuje lepsze dopasowanie.

12 / 23


Modele teoretyczne wariogramów (2)

h

γ

0.05

0.10

0.15

0.20

0.25

0.30

5000 10000 15000 20000 25000 30000

(a)

h

γ

0.05

0.10

0.15

0.20

0.25

0.30

5000 10000 15000 20000 25000 30000

(b)

Rysunek 4: Struktury zagniezdzone h, odległosc [m];

γ, semiwariancja[(log10 m2)2].13 / 23


Kriging zwykły (OK)

460000 480000 500000 520000

2400

0026

0000

2800

00

5.0

5.5

6.0

(a)

460000 480000 500000 520000

2400

0026

0000

2800

00

0.17

0.18

0.19

0.20

0.21

(b)

Rysunek 5: (a) Estymacja zlogarytmowanych pow. terenów zabudowanych (OK):

estymator [log10 m2]; (b) wariancja estymatora [(log10 m2)2].14 / 23


Wstep do walidacji krzyzowej

460000 480000 500000 520000

2400

0026

0000

2800

00

3.5

4.0

4.5

5.0

5.5

6.0

(a)

460000 480000 500000 520000

2400

0026

0000

2800

00

−4

−2

0

2

(b)

Rysunek 6: (a) Walidacja krzyzowa wykonana dla krigingu zwykłego [log10 m2];

(b) rozkład znormalizowanych błedów.15 / 23


Kriging wskaznikowy (1)

3.5 4.0 4.5 5.0 5.5 6.0 6.5

0.0

0.2

0.4

0.6

0.8

1.0

1.2

758595

percentile

(a)

h

γ

0.05

0.10

5000 10000 15000 20000 25000 30000

(b)

Rysunek 7: (a) Wybrane percentyle rozkładu zlogarytmowanych powierzchni

zabudowanych [log10 m2]; (b) wariogram 85 percentyla rozkładu (jedn. jak na Rys 3).16 / 23


Kriging wskaznikowy (2)

460000 480000 500000 520000

2200

0024

0000

2600

0028

0000

3000

00

0.0

0.2

0.4

0.6

0.8

1.0

(a)

460000 480000 500000 520000

2200

0024

0000

2600

0028

0000

3000

00

0.00

0.02

0.04

0.06

0.08

0.10

0.12

0.14

(b)

Rysunek 8: (a) IK zlogarytmowanych powierzchni zabudowanych: estymator

P{z(x) > 6, 039}; (b) wariancja [bezwym.].17 / 23


Wynik analizy

460000 480000 500000 520000

2200

0024

0000

2600

0028

0000

3000

00

0.0

0.2

0.4

0.6

0.8

1.0

(a)

°E

°N

18.4 18.6 18.8 19.0 19.2 19.4

49.9

50.0

50.1

50.2

50.3

50.4

50.5

(b)

Rysunek 9: (a) IK zlogarytmowanych powierzchni zabudowanych: estymator

P{z(x) > 6, 039}; (b) Schemat Slaskiego Systemu Ciepłowniczego.18 / 23


Kriging – komentarze

◦ Kiedy OK wyznacza „sredni” rozkład przestrzenny powierzchni

zabudowanych, IK pozwala oszacowac obszar, gdzie emisja nie jest

proporcjonalna do powierzchni zabudowanych.

◦ IK efektywnie odwzorowuje schemat infrastruktury ciepłowniczej, co jest

znaczacym wkładem w poprawe inwentaryzacji emisji w skali lokalnej.

19 / 23


Wnioski

◦ Rozwój metodyk dezagregacji przestrzennej emisji zanieczyszczen do powietrza

wykorzystujacy techniki geostatystyczne jest wazny dla prac zwiazanych z

zagadnieniami jakosci powietrza i klimatu w miastach.

◦ Wykorzystanie przedstawionej metodyki moze znaczaco ułatwic inwentaryzacje

emisji z małych zródeł tzw. „niskiej emisji”.

◦ Wystepowanie infrastruktury ciepłowniczej znaczaco zmienia wzajemny stosunek

„ciepła sieciowego” do „niskiej emisji”.

◦ Wyniki moga byc wykorzystane w inwentaryzacji „niskiej emisji”.

20 / 23


21 / 23


�

Krystian Szczepanski1 Jarosław Zawadzki2

IOS-PIB PW, WIBHiIS, ZIiBJS

Damian Zasina 3

IOS-PIB/KOBiZE

PW, WIBHiIS, ZIiBJS

1 [email protected]; 2 [email protected]; 3 [email protected].

22 / 23


Literatura

J. Horabik-Pyzel and Z. Nahorski, “Uncertainty of Spatial Disaggregation Procedures: Conditional Autoregressive Versus Geostatistical Models,”

Proceedings of the Federated Conference on Computer Science and Information Systems, vol. 8, pp. 449–457, 2016.

D. Zasina and J. Zawadzki, “Spatial surrogate for domestic combustion’s air emissions: A case study from Silesian Metropolis, Poland,” Journal of the

Air & Waste Management Association, vol. 67, no. 9, pp. 1012–1019, 2017.

U. Leopold, G. Huevelink, L. Drouet, and D. Zachary, “Modelling Spatial Uncertainties associated with Emission Disaggregation in an integrated Energy

Air Quality Assessment Model,” in IEMSs 2012 International Congress on Environmental Modelling and Software. Managing Resources of a Limited

Planet: Pathways and Visions under Uncertainty, Sixth Biennial Meeting, S. L. R. Seppelt, A.A. Voinov and D. Bankamp, Eds., Leipzig, Germany, 2012.

J. Maes, J. Vliegen, K. Van de Vel, S. Janssen, F. Deutsch, K. De Ridder, and C. Mensink, “Spatial surrogates for the disaggregation of CORINAIR

emission inventories,” Atmospheric Environment, vol. 43, no. 6, pp. 1246–1254, 2009.

J. Zawadzki, “Analiza rozkładu przestrzennego zanieczyszczenia gleb Warszawy i okolic cynkiem, miedzia i ołowiem z zastosowaniem krigingu

wskaznikowego,” Inzynieria i Ochrona Srodowiska, vol. 6, no. 3/4, pp. 407–424, 2003.

M. Plebankiewicz and A. Jankowski, “Ciepło dla aglomeracji miast slaskich do wsparcia z funduszy unijnych,” Wokół Energetyki, no. 3, pp. 1–4, 2007.

W. Nikodem, “Rozwazania nad kompleksowa modernizacja systemu zaopatrzenia w ciepło Konurbacji Slaskiej,” Energetyka, no. 5, pp. 381–388, 2008.

23 / 23

Rozwój metod geoprzestrzennych w szacowaniu emisji …³j-metod-geoprzestrzennych.pdf ·...

Documents

Transcript of Rozwój metod geoprzestrzennych w szacowaniu emisji …³j-metod-geoprzestrzennych.pdf ·...