Luchtkwaliteitsmodellen

Introductie

Luchtkwaliteitsmodellen worden gebruikt om de atmosferische grenslaag (het deel van de troposfeer het dichtst bij de grond) te bestuderen, en in het bijzonder om de concentraties aan polluenten in de lucht te bepalen.

Er wordt een onderscheid gemaakt tussen enerzijds evaluatiemodellen (assessment models), en anderzijds voorspellingsmodellen. Evaluatiemodellen worden gebruikt om de luchtkwaliteit over een bepaalde periode (bv. een jaar) te beoordelen, of om de 'real-time' meetgegevens van een telemetrisch netwerk in kaart te brengen. Voorspellingsmodellen (forecast models) worden daarentegen gebruikt om luchtkwaliteitsvoorspellingen te maken, en onder andere ondersteund door vergelijkingen uit de stromingsleer, chemische reacties, neurale netwerken, enz.

Naast evaluatiemodellen en voorspellingsmodellen wordt er hier ook gebruik gemaakt van interpolatietechnieken. Interpolatietechnieken zijn wiskundige methodes die oorspronkelijk in de geologie gebruikt werden om geologische eenheden in kaart te brengen (zoals bijvoorbeeld de concentratie van een bepaalde stof in de grond), en dit op basis van enkele meetpunten. Er wordt op dezelfde manier gebruik gemaakt van die interpolatietechnieken in de wereld van luchtkwaliteit, om concentraties van polluenten in kaart te brengen voor een regio, vertrekkende van metingen afkomstig van de verschillende meetstations. Het verschil met de geologie is dat de concentraties in de grond min of meer statisch zijn, wat zeker niet het geval is bij concentraties van polluenten in de lucht. Voor bepaalde stoffen moeten bijzonder voorzorgmaatregelen getroffen worden zodat de gebruikte interpolatietechniek geloofwaardige resultaten kan leveren.

Er zijn 4 belangrijke factoren die de luchtkwaliteit bepalen:
 

• Emissiebronnen. Luchtvervuilende stoffen (polluenten) worden in de atmosfeer gebracht door verschillende bronnen. De belangrijkste bronnen zijn de industrie, het wegverkeer, de gebouwenverwarming (of koeling), de energiesector en de landbouw. De hoeveelheid uitgestoten luchtverontreinigende stoffen varieert met de tijd en hangt af van de plaats : zo zullen de emissies van het wegverkeer hoger zijn tijdens de spitsuren en in een stedelijke omgeving (met veel verkeer). Het is niet altijd eenvoudig de exacte hoeveelheid uitgestoten stoffen te bepalen.
• Meteo. De meteorologische omstandigheden zijn een tweede belangrijke factor die de luchtkwaliteit bepalen. Zo zal in de winter bij windstil weer en wanneer er een temperatuursinversie is de luchtverontreiniging slecht verdund worden en de luchtverontreiniging zal toenemen. Wind, regen en maritieme luchtstromingen zorgen in onze streken voor periodes met weinig luchtvervuiling.
• Chemische processen in de atmosfeer. In de atmosfeer kunnen allerhande ingewikkelde chemische reacties plaats vinden. Zo zal in de zomer bij zonnig en warm weer er veel fotochemische activiteit zijn en kan uit de aanwezige luchtvervuiling ozon gevormd worden. Ook bij de vorming van fijn stof spelen chemische reacties een belangrijke rol.
• Transport van luchtverontreiniging. Via de wind kan luchtvervuiling over lange afstanden getransporteerd worden naar andere regio's. Een belangrijk deel van de luchtvervuiling in de verschillende gewesten wordt aangevoerd uit het buitenland. Er wordt echter niet alleen vervuiling geïmporteerd, vervuiling die hier wordt geproduceerd wordt ook geëxporteerd naar het buitenland. Het aandeel eigen vervuiling en vervuiling afkomstig uit het buitenland hangt af van de verblijftijd van die polluent in de atmosfeer.

Deze 4 factoren zijn 4 bronnen van onzekerheid die zo goed mogelijk beheerst moeten worden in de voorspellingsmodellen en evaluatiemodellen.

Evaluatiemodellen

Het algemene doel van evaluatiemodellen is het in kaart brengen van concentraties van polluenten, op basis van de gemeten concentraties in de verschillende meetstations. Hiermee wordt het mogelijk om een schatting te maken van de ruimtelijke spreiding van de concentraties, en dit in 'real-time' of achteraf. Deze modellen maken het mogelijk om de luchtkwaliteit voor een bepaalde periode te beoordelen door bijvoorbeeld de blootstelling van de bevolking aan hoge concentraties verontreinigde stoffen te berekenen.
Bij IRCEL worden 2 evaluatiemodellen gebruikt, nl. de interpolatiemethode RIO, en het RIO-IFDM model, die nog in ontwikkelingsfase is en die het resultaat is van een koppeling van twee gegevensbronnen: het RIO-interpolatiemodel en het dispersiemodel IFDM.

Het RIO-model

De RIO-interpolatietechniek werd ontwikkeld om rekening te kunnen houden met het min of meer lokale karakter van luchtverontreiniging.
Gewone interpolatietechnieken zoals Inverse Distance Weightning (IDW) en Ordinary Kriging (OK) vereisen dat elke meetplaats representatief is voor eenzelfde ruimtelijk gebied. In de praktijk is dat voor luchtverontreiniging echter niet het geval. Concentraties gemeten dicht bij een verontreinigingsbron zullen veelal slechts representatief zijn voor een beperkt gebied rond die bron, terwijl concentraties die gemeten worden in een landelijke zone over het algemeen voor een grotere oppervlakte representatief zijn. Om daarmee rekening te houden, dus om het lokale karakter van de luchtvervuiling in rekening te brengen, werd de RIO-interpolatietechniek ontwikkeld.

RIO is een intelligente interpolatietechniek waarmee de lokale invloed per meetstation eerst verwijderd wordt om zo een ruimtelijke homogene dataset van luchtkwaliteitsmetingen te verzamelen. De zo verkregen meetwaarden kunnen dan wel worden geïnterpoleerd met Ordinary Kriging. Het lokale karakter voor elk van de geïnterpoleerde meetpunten wordt in de laatste stap weer toegevoegd.
Het lokale karakter van een meetplaats wordt bepaald door een statistische analyse van lange tijdsreeksen van concentraties in de meetstations en het landgebruik (Corine Land Cover) in de buurt van die meetstations. Uit die analyse blijkt dat er een robuuste correlatie bestaat tussen landgebruik en concentratieniveaus. De correlatie tussen de concentraties en het landgebruik wordt samengevat in trendfuncties. Omdat het landgebruik voor heel België bekend is, kan het lokale karakter voor elke plaats waar geïnterpoleerd wordt, in rekening worden gebracht. 

De ruimtelijke resolutie van de RIO-interpolatietechniek is 4x4 km². Met RIO is het mogelijk om op elk uur voor alle 4x4 km² roostercellen in België de luchtkwaliteit te berekenen. De RIO methode wordt op de website van IRCEL gebruikt om de 'real-time' luchtkwaliteitsgegevens in kaart te brengen.

Vind bijkomende details over het RIO model in de volgende publicatie:

- Janssen, S., et al., Spatial interpolation of air pollution measurements using CORINE land cover data. Atmospheric Environment (2008), doi: 10.1016/j.atmosenv.2008.02.043

Hier beschikbaar: https://www.researchgate.net/publication/222419745_Spatial_interpolation_of_air_pollution_measurements_using_CORINE_land_cover_data

ATMO-Street Model

Het ATMO-Street model is een combinatie van 3 modellen: de interpolatie van luchtkwaliteitsmetingen met het RIO-interpolatiemodel, de berekening van de luchtkwaliteit op basis van meteorologische gegevens en uitstoot van luchtverontreinigende stoffen met het dispersiemodel IFDM en de berekening van de luchtkwaliteit in straten met bebouwing met de module OSPM.

Het IFDM-model berekent de impact van de emissies (uitstoot van vervuilende stoffen naar de lucht) van punt- en lijnbronnen op de luchtkwaliteit in de onmiddellijke omgeving van die punt- en lijnbronnen. Een puntbron is bijvoorbeeld een fabrieksschouw. Een lijnbron is het verkeer op een weg of een deel van een weg.
De exacte locatie van de industriële bronnen en de hoeveelheid uitgestoten luchtvervuiling is gekend. Via verkeerstellingen en de gemiddelde samenstelling van het wagenpark kan ook een goede inschatting gemaakt worden van de uitstoot van het wegverkeer per weg(segment). De uitstoot per weg(segment)is gekend voor de belangrijkste stedelijke- en gewestwegen en de snel- en ringwegen.

Het IFDM-model is een bi-gaussiaans pluimmodel dat vertrekt van emissiebronnen en aan de hand van meteorologische parameters de verspreiding van de emissies modelleert (zie kader over « deterministische modellen »). Dit is een stationair resultaat en stelt een momentopname van een pluim voor die de advectie van het windveld ondergaat in één richting en zich op een Gaussiaanse manier verspreidt in de twee andere richtingen (vandaar de naam bi-gaussiaans). Op een gegeven tijdstip wordt de pluim van de beschouwde bron berekend op basis van de windsnelheid en -richting en op basis van de hoeveelheid van de uitstoot van de polluenten op dat moment.
Daarnaast wordt er gebruik gemaakt van een chemische module die op een vereenvoudigde wijze rekening houdt met de fotochemie van ozon en stikstofdioxide.

Het IFDM model maakt geen gebruik van metingen zoals de RIO-interpolatiemethode, maar berekent de concentraties van luchtvervuilende stoffen op basis van emissiedata en meteorologische gegevens zoals windsnelheid, windrichting en temperatuur. De meteorologische gegevens bepalen immers de maate waarin en naar waar de vervuiling wordt verspreid. Voor sommige stoffen zoals stikstofdioxide (NO₂) of ozon (O₃) spelen ook chemische reacties in de atmosfeer een rol. De snelheid van die chemische reacties wordt o.a. bepaald door de temperatuur. In de huidige versie van IFDM worden emissies van verkeer, scheepvaart en industriële bronnen gemodelleerd. Andere bronnen van luchtvervuiling zoals landbouw en huishoudens worden niet apart gemodelleerd, maar zitten in de RIO 4x4 km² achtergrond. In tegenstelling tot punt- of lijnbronnen zijn de emissies van de landbouw en de huishoudens immers veel meer gespreid over grotere gebieden. Om te vermijden dat de verkeers- en industriële bronnen dubbel berekend worden, wordt een "dubbeltellingscorrectie" toegepast. In de RIO 4x4 km² resultaten, die het resultaat zijn van geïnterpoleerde metingen, zitten immers de bijdragen van al die bronnen.

RIO-IFDM is een open street model. Er wordt met andere woorden geen rekening gehouden met obstakels langs de wegen waar de impact van het verkeer berekend wordt. Dit betekent dat RIO-IFDM in smalle straten met veel verkeer en aaneengesloten bebouwing (zogenaamde street canyons) de concentraties zal onderschatten. De natuurlijke ventilatie in deze straten is beperkt waardoor de luchtvervuiling zich tussen de bebouwing minder goed kan verspreiden. Om ook hiermee rekening te houden is de RIO-IFDM keten verder uitgebreid met een derde model: het OSPM model. Dit model gebruikt zeer gedetailleerde informatie over de gebouwenconfiguratie in een straat. OSPM berekent het effect van gebouwen op de verspreiding en verdunning van de luchtvervuiling in alle straten die als street canyon beschouwd worden.

Het "Operational Street Pollution Model" OSPM is ontwikkeld door de Afdeling Milieuwetenschappen van de Aarhus Universiteit in Denemarken. Het combineert een pluimmodel voor de directe bijdrage van het wegverkeer en een boxmodel voor de recirculatie van de luchtvervuiling tussen de gebouwen. Een belangrijke meteorologische parameter die hiervoor wordt gebruikt is de windsnelheid- en richting op dakhoogte. De wind bepaalt immers hoe de vervuiling in de straat wordt verdeeld. Er wordt onderscheid gemaakt tussen de windopwaartse kant en windafwaartse kant van de weg.

De combinatie van RIO, IFDM en OSPM wordt het ATMO-Street model genoemd en is momenteel het best beschikbare model voor het inschatten van de luchtkwaliteit tot op straatniveau. ATMO-Street levert uurlijkse waarden op receptorpunten voor de polluenten NO2, PM10, PM2.5 en BC. RIO-IFDM schat daarnaast ook O3 in. De resultaten worden ook op jaarbasis geaggregeerd en geïnterpoleerd tot op 10x10m² resolutie.

Uurlijkse RIO-IFDM resultaten met een resolutie van 100x100m² worden gebruikt voor de near-real time inschatting van de luchtkwaliteit op de IRCEL website en in de BelAir applicatie.

Meer informatie over hoe de kaarten tot stand komen, de validatie en de beperkingen van de modelcombinaties vind je op RIO-IFDM en ATMO-Street.

Voorspellingsmodellen

De algemene doelstelling van voorspellingsmodellen is het aanmaken van kaarten met luchtverontreinigingsconcentraties voor de huidige dag, en de eerstkomende dagen. Er bestaan verschillende soorten voorspellingsmodellen: de deterministische modellen, met als basis evolutievergelijkingen uit de fysica maar ook de chemie, de neurale netwerkmodellen, die min of meer werken als een neuraal netwerken om concentraties te voorspellen, enz. Daarnaast bestaan er andere onderverdelingen en types modellen maar hier worden enkel de modellen gebruikt bij IRCEL besproken.

Deterministische modellen [1]

De basis van deze modellen zijn de evolutievergelijkingen uit de natuurkunde, evenals een hele reeks chemische reacties van de aanwezige verontreinigende stoffen. Het algemeen doel van een deterministisch luchtkwaliteitsmodel is om op basis van emissies uitgestoten door verschillende bronnen, de concentraties aan verontreinigende stoffen in de lucht te kunnen bepalen die overeenkomen met de gemeten concentraties aan verontreinigende stoffen in de lucht. Deze concentraties worden ook wel "immissieconcentraties" genaamd. Verontreinigende stoffen worden in de atmosfeer door een bron uitgestoten, worden nadien getransporteerd, ondergaan fysische transformaties en chemische reacties. De uiteindelijk gemeten concentraties verontreiniging in de atmosfeer komen dus overeen met de geëmitteerde stoffen na transport, verdunning en verspreiding in de omgeving en chemische en/of fysische transformatie. Wanneer een verontreinigende stof inert is (en dus niet reageert met andere stoffen), heeft men te maken met passieve tracers. Bij deze stoffen heeft enkel het transport invloed op de gemeten concentraties in de lucht. Een voorbeeld hiervan is black carbon.

In het algemeen moet een deterministisch luchtkwaliteitsmodel Navier-Stokes-vergelijkingen oplossen die stroming van fluïda beschrijven (wet van behoud van impuls, de energie, de massa en specifieke vochtigheid) evenals de advectie-diffusie-reactie vergelijking voor de concentratie aan verontreinigende stoffen. De Navier-Stokes vergelijkingen zijn niet-lineaire differentiaalvergelijkingen en zijn dus zeer complex om op te lossen. In praktijk lost men de vergelijkingen van Navier-Stokes op met numerieke stromingsleer (met computers dus). De chemische reacties die de verontreinigende stoffen in de atmosfeer kunnen ondergaan zijn talrijk en ook niet-lineair (zoals bijvoorbeeld de fotochemische reacties van ozon). Er wordt ook een aantal chemische termen van de productie van bepaalde stoffen (een honderdtal in het algemeen) toegevoegd aan de vergelijking van advectie-diffusie, dit om de beschrijving van de bestudeerde verontreinigende stoffen compleet te maken. Er moet ook rekening gehouden worden met de fysica van de aërosols (een mengsel van stofdeeltjes of vloeistofdruppels in suspensie in de lucht)door middel van de General Dynamic Equation (GDE), maar ook met de fysico-chemische reacties tussen gassen en aërosols (condensatie, nucleatie, groei, enz.). Een aantal verontreinigende stoffen kunnen de atmosfeer verlaten door neergehaald te worden op de grond door de zwaartekracht of door uitgespoeld te worden door de regen (in-cloud et below-cloud scavenging), enz.
Deterministische modellen kunnen in twee subcategorieën onderverdeeld worden, de gekoppelde online modellen die het systeem van gekoppelde vergelijkingen (Navier-Stokes + evolutie van de concentraties) oplost, en de gekoppelde offline modellen. Bij offline modellen wordt de stromingsleer ontkoppeld van de evolutie van de concentraties van verontreinigende stoffen, en maakt men bijvoorbeeld gebruik van de resultaten van een meteorologisch model als input voor de advectie-diffusie vergelijking. Deze veronderstelling mag zeker gemaakt worden bij luchtkwaliteitsmodellen, maar is niet geldig voor klimaatmodellen vanwege het belang van de interactie tussen de materie en straling in deze modellen.
De Navier-Stokes vergelijkingen beschrijven turbulente stromingen, waarin meerdere schalen van beweging worden waargenomen. Ze vormen dus een echte uitdaging voor moderne computers, met name omwille van numerieke stabiliteit van de oplossing. In een online model kunnen de Navier-Stokes vergelijkingen op een directe manier opgelost worden, maar dit eist een sterke IT-infrastructuur. De vergelijkingen kunnen eveneens opgelost worden met behulp van een Large Eddy Simulation (LES), waarin de grote turbulente wervelingen door het rekenrooster worden opgelost en enkel de kleine details worden gemodelleerd, wat de rekentijd sterk naar omlaag haalt. Dit is tevens de meest gebruikte methode bij wetenschappelijk onderzoek. Een laatste methode, "het gemiddelde van Reynolds " (RANS voor Reynolds-averaged Navier-Stokes), maakt het mogelijk om de vergelijkingen te scheiden in termen van "gemiddelde componenten" en "turbulente componenten". Er is dan wel een extra aanname nodig over de manier waarop turbulentie gedefinieerd wordt. Meestal wordt hier gebruik gemaakt van een gradiënttheorie, die de turbulente flux van een grootheid beschrijft als evenredig met de omgekeerde gradiënt van die grootheid, naar analogie met de wet van Fick. Bij offline modellen wordt het gemiddelde van Reynolds ook toegepast op de vergelijking van advectie-diffusie-reactie.
Deze uitleg maakt duidelijk dat de beschrijving van de stroming van fluïda (in het kader van luchtkwaliteit) heel complex en ingewikkeld is, en dat men gebruik dient te maken van benaderingen bij numerieke berekeningen, enerzijds omwille van de rekentijd en nodige IT-middelen te beperken, maar anderzijds ook omwille van numerieke stabiliteit.

Neurale netwerkmodellen

Artificiële Neurale Netwerken (artificial neural networks) zijn een groep van (machine learning) technieken ontworpen naar analogie van het biologisch brein. In het algemeen bestaat een kunstmatig neuraal netwerk uit verscheidene lagen van neuronen: de eerste laag is een ingangslaag, die de informatie laat doorstromen tot aan een volgende laag, enzovoort, tot aan de uitgangslaag. Tussen elke laag worden de gegevens mathematisch behandeld door overdrachtsfuncties.

Laten we nu het gebruik van neurale netwerken binnen het domein van luchtkwaliteit bespreken. Een voorspellingsmodel gebaseerd op een neuraal netwerk moet eerst voor elk meetpunt van verontreinigende stoffen door een trainingsfase gaan. Na de trainingsfase is het model operationeel en kan vanuit de aangeleerde overdrachtsfuncties voorspellingen gaan maken. Het 'trainen' van het netwerk gebeurt door het aanbieden van een lange historische reeks (meerdere jaren) van ingangswaarden met hun bijbehorende gewenste uitgangswaarden (concentraties en meteorologische parameters), en dan steeds door terugrekenen de overdrachtsfuncties bij te stellen. Het model heeft anderzijds meteorologische gegevens en de ochtendconcentraties in verontreinigende stoffen nodig evenals de meteorologische voorspellingen van die dag.
Het grootste voordeel van een voorspellingsmodel op basis van een neuraal netwerk, in vergelijking met de deterministische modellen, is de mindere behoefte aan inputgegevens en aan rekentijd. De trainingsfase kan numeriek gezien wel wat zwaarder doorwegen. De neurale netwerkmodellen kunnen ook regressies uitvoeren op niet-lineaire functies in multi-dimensionale omgevingen. In vergelijking met traditionele statistische technieken bieden de neurale netwerkmodellen een groot aantal mogelijkheden en meer flexibiliteit.
Het grootste nadeel van een neuraal netwerkmodel is dat het model enkel voorspellingen kan maken voor punten waar metingen uitgevoerd zijn, met andere woorden voor punten waar het model op getraind werd. Dit betekent dat voor elk meetpunt een training van het model moet gebeuren. Een ander nadeel is dat het model de onderliggende fysica van het probleem niet beschrijft, wat kan leiden tot beperkingen op het gebruik van de gegevens.

Modellen gebruikt bij IRCEL

Bij IRCEL worden drie modellen gebruikt om de luchtkwaliteit te voorspellen.

• OVL (fijn stof). Het computermodel OVL is een neuraal netwerkmodel. Het model genereert een voorspelling van fijn stof (PM10) concentraties op basis van voorspelde meteorologische parameters en historische meetreeksen van luchtvervuiling. Het voordeel van neurale netwerkmodellen is dat ze zeer snel voor een specifieke plaats een voorspelling kunnen maken met eenvoudige inputgegevens. Het nadeel is dat ze alleen voor plaatsen waar reeds voldoende lange tijd de luchtkwaliteit wordt gemeten een voorspelling kunnen genereren. Meer info over het door VITO ontwikkelde OVL model vindt u hier.

• SMOGSTOP (ozon). Het computermodel SMOGSTOP is een cluster van verschillende statistische modellen (waaronder een neuraal netwerk model). Het model genereert een voorspelling van de hoogste uurgemiddelde ozonconcentraties op basis van voorspelde meteorologische parameters en historische meetreeksen van luchtvervuiling. Het voordeel van SMOGSTOP is dat het zeer snel voor een specifieke plaats een voorspelling kan maken met eenvoudige inputgegevens. Het nadeel is dat alleen voor plaatsen waar reeds voldoende lange tijd ozon wordt gemeten een voorspelling kan gegenereerd worden.

• CHIMERE (ozon, fijn stof, stikstofdioxide,…). Het CHIMERE computermodel is een deterministisch model dat op basis van meteovoorspellingen, emissies van luchtverontreinigende stoffen en landgebruikdata de zeer complexe fysische processen en chemische reacties die zich in de atmosfeer kunnen voordoen tracht te simuleren. Het voordeel van deterministische modellen is dat ze de luchtkwaliteit ook kunnen inschatten op plaatsen waar de luchtkwaliteit niet wordt gemeten. Het nadeel is de veel complexere input en de lange rekentijden (al wordt dat laatste door steeds sneller computers stilaan minder belangrijk). De huidige resolutie van het CHIMERE model is ongeveer 50x50 km². Het model berekent dus concentraties die representatief zijn voor een groot gebied. Plaatselijk (in de buurt van industriële vestigingen, drukke verkeersaders,...) kan de werkelijke concentratie dus hoger zijn. Het CHIMERE model is ontwikkeld door het Institut Pierre-Simon Laplace (IPSL-Paris) en werd in België aangepast door IRCEL.

Modellen in het algemeen, en meer specifiek luchtkwaliteitsmodellen, benaderen de realiteit steeds beter, maar gaan steeds gepaard met een zekere foutenmarge, hetgeen enkel beter kan begrepen worden door regelmatig gebruik en ervaring. De kunst van het voorspellen bestaat er dan ook uit het maximale te halen uit de kwaliteiten van de modellen, en terwijl bewust te blijven van hun limieten.

Gecombineerd met onze eigen expertise gebruiken we de resultaten van de OVL-, SMOGSTOP- en CHIMERE-modellen en soms nog andere, niet vermelde modellen om de bevolking te informeren over ozonpieken en periodes met hoge concentraties aan fijn stof.

Het is mogelijk dat de modellen verschillende resultaten weergeven, aangezien ze elk iets anders gedefinieerd worden en ze over ietwat opvattingen bezitten. De resultaten van deze modellen moeten in elk geval met de nodige voorzichtigheid geïnterpreteerd worden.

Referenties

[1] Sportisse, B. Pollution atmosphérique - Des processus à la modélisation. Springer-Verlag France, Paris, 2008.