Air quality forecasting in an urban area at high spatial resolution

Air quality forecasting systems can contribute to the eventual improvement of atmospheric quality on regional or urban scales and to reduce the risk of people being exposed to high air pollutant levels. PM2.5 is one of the most important air pollutants that can penetrate deep into our lungs causing...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Σιούτη, Ευαγγελία
Άλλοι συγγραφείς: Siouti, Evangelia
Γλώσσα:English
Έκδοση: 2023
Θέματα:
Διαθέσιμο Online:https://hdl.handle.net/10889/25160
id nemertes-10889-25160
record_format dspace
institution UPatras
collection Nemertes
language English
topic Air quality forecasting
Modeling of atmospheric pollution
Particulate matter
Πρόβλεψη ποιότητας αέρα
Προσομοίωση ατμοσφαιρικής ρύπανσης
Αιωρούμενα σωματίδια
spellingShingle Air quality forecasting
Modeling of atmospheric pollution
Particulate matter
Πρόβλεψη ποιότητας αέρα
Προσομοίωση ατμοσφαιρικής ρύπανσης
Αιωρούμενα σωματίδια
Σιούτη, Ευαγγελία
Air quality forecasting in an urban area at high spatial resolution
description Air quality forecasting systems can contribute to the eventual improvement of atmospheric quality on regional or urban scales and to reduce the risk of people being exposed to high air pollutant levels. PM2.5 is one of the most important air pollutants that can penetrate deep into our lungs causing premature deaths, cardiovascular and respiratory problems, but also can damage ecosystems. Gas-phase pollutants such as O3 and NOx have also a negative effect on human health causing lung diseases. Air pollution forecasting systems are becoming an increasingly useful tool, as they can predict the future status of the atmosphere and potentially prevent human health risks. The air quality forecasting system that we have developed called SmartAQ (Smart Air Quality), combines state-of-the-art meteorological and chemical transport models to produce high-resolution predictions of 1x1 km2 for an urban area for the next 3-day period. The system simulates the air pollution in Europe using 36x36 km2 spatial resolution and through three nested grids with increasing resolution it focuses on the urban area of interest with 1x1 km2 resolution. The WRF (Weather Research and Forecasting) model prepares high-resolution predictions of meteorology, the MEGAN (Model of Emissions of Gases and Aerosols from Nature) model provides aerosol and gas-phase emissions and the chemical transport model PMCAMx (Particulate Matter Comprehensive Air quality Model with extensions) is used to simulate air quality. The PSAT (Particulate matter Source Apportionment Technology) algorithm is used together with PMCAMx to determine the source contributions for each pollutant for the urban area. SmartAQ operates automatically, in real-time and predicts the pollutant concentration of tens of gases (NOx, SO2, CO, O3, volatile organic compounds, etc.), the complete aerosol size and chemical composition together with PM1, PM2.5 and PM10 levels and the pollutant sources. The urban area of Patras in Greece was used for the first application of our system due to high-dense network of low-cost sensors that measure PM2.5 concentrations in the city. Field measurements have indicated that cooking and residential biomass burning sources are of primary importance in urban areas, but the corresponding emissions are often neglected or underestimated by emission inventories and chemical transport models leading to uncertain air quality predictions. In Patras, wood burning in fireplaces is the dominant source of pollution during wintertime, while cooking is the most important local source of pollution during the summer and especially during the nighttime based on field measurements. For these reasons, bottom-up inventories for cooking and residential biomass burning were developed at 1x1 km2 resolution for the city of Patras. The spatial distribution of cooking emissions was based on the exact location of restaurants in the city and the temporal distribution on measured cooking OA diurnal profile. The spatial distribution of residential biomass burning emissions was based on the density of houses in the urban area and the temporal patterns on field measurements. Biomass burning organic aerosols were considered volatile and chemically reactive and their emissions were temperature dependent. PMCAMx reproduced well the PM2.5 concentrations for the area of high cooking OA emissions, while it tended to overestimate the PM2.5 concentrations for the outskirts of the city. During the wintertime, the model reproduced the measured PM2.5 profile in the high-biomass-burning-emission area, but it tended to overpredict PM2.5 in the suburbs. Driving variables for the discrepancies between model and measurements were uncertainties in cooking and biomass burning OA emissions, errors in meteorology and uncertainties in the low-cost sensor measurements used for the evaluation. The overprediction at the outskirts was probably due to overestimation of regional pollution. SmartAQ predicted for PM2.5 that cooking was the dominant local source of pollution during summer and biomass burning for residential heating was the dominant one during winter, which are consistent with measurements. The developed air quality forecasting system can be applied to any European urban area to produce high resolution atmospheric and weather predictions.
author2 Siouti, Evangelia
author_facet Siouti, Evangelia
Σιούτη, Ευαγγελία
author Σιούτη, Ευαγγελία
author_sort Σιούτη, Ευαγγελία
title Air quality forecasting in an urban area at high spatial resolution
title_short Air quality forecasting in an urban area at high spatial resolution
title_full Air quality forecasting in an urban area at high spatial resolution
title_fullStr Air quality forecasting in an urban area at high spatial resolution
title_full_unstemmed Air quality forecasting in an urban area at high spatial resolution
title_sort air quality forecasting in an urban area at high spatial resolution
publishDate 2023
url https://hdl.handle.net/10889/25160
work_keys_str_mv AT sioutēeuangelia airqualityforecastinginanurbanareaathighspatialresolution
AT sioutēeuangelia problepsētēspoiotētastouaerasemiaastikēperiochēmeypsēlēchōrikēanalysē
_version_ 1771297200340467712
spelling nemertes-10889-251602023-06-24T03:54:28Z Air quality forecasting in an urban area at high spatial resolution Πρόβλεψη της ποιότητας του αέρα σε μια αστική περιοχή με υψηλή χωρική ανάλυση Σιούτη, Ευαγγελία Siouti, Evangelia Air quality forecasting Modeling of atmospheric pollution Particulate matter Πρόβλεψη ποιότητας αέρα Προσομοίωση ατμοσφαιρικής ρύπανσης Αιωρούμενα σωματίδια Air quality forecasting systems can contribute to the eventual improvement of atmospheric quality on regional or urban scales and to reduce the risk of people being exposed to high air pollutant levels. PM2.5 is one of the most important air pollutants that can penetrate deep into our lungs causing premature deaths, cardiovascular and respiratory problems, but also can damage ecosystems. Gas-phase pollutants such as O3 and NOx have also a negative effect on human health causing lung diseases. Air pollution forecasting systems are becoming an increasingly useful tool, as they can predict the future status of the atmosphere and potentially prevent human health risks. The air quality forecasting system that we have developed called SmartAQ (Smart Air Quality), combines state-of-the-art meteorological and chemical transport models to produce high-resolution predictions of 1x1 km2 for an urban area for the next 3-day period. The system simulates the air pollution in Europe using 36x36 km2 spatial resolution and through three nested grids with increasing resolution it focuses on the urban area of interest with 1x1 km2 resolution. The WRF (Weather Research and Forecasting) model prepares high-resolution predictions of meteorology, the MEGAN (Model of Emissions of Gases and Aerosols from Nature) model provides aerosol and gas-phase emissions and the chemical transport model PMCAMx (Particulate Matter Comprehensive Air quality Model with extensions) is used to simulate air quality. The PSAT (Particulate matter Source Apportionment Technology) algorithm is used together with PMCAMx to determine the source contributions for each pollutant for the urban area. SmartAQ operates automatically, in real-time and predicts the pollutant concentration of tens of gases (NOx, SO2, CO, O3, volatile organic compounds, etc.), the complete aerosol size and chemical composition together with PM1, PM2.5 and PM10 levels and the pollutant sources. The urban area of Patras in Greece was used for the first application of our system due to high-dense network of low-cost sensors that measure PM2.5 concentrations in the city. Field measurements have indicated that cooking and residential biomass burning sources are of primary importance in urban areas, but the corresponding emissions are often neglected or underestimated by emission inventories and chemical transport models leading to uncertain air quality predictions. In Patras, wood burning in fireplaces is the dominant source of pollution during wintertime, while cooking is the most important local source of pollution during the summer and especially during the nighttime based on field measurements. For these reasons, bottom-up inventories for cooking and residential biomass burning were developed at 1x1 km2 resolution for the city of Patras. The spatial distribution of cooking emissions was based on the exact location of restaurants in the city and the temporal distribution on measured cooking OA diurnal profile. The spatial distribution of residential biomass burning emissions was based on the density of houses in the urban area and the temporal patterns on field measurements. Biomass burning organic aerosols were considered volatile and chemically reactive and their emissions were temperature dependent. PMCAMx reproduced well the PM2.5 concentrations for the area of high cooking OA emissions, while it tended to overestimate the PM2.5 concentrations for the outskirts of the city. During the wintertime, the model reproduced the measured PM2.5 profile in the high-biomass-burning-emission area, but it tended to overpredict PM2.5 in the suburbs. Driving variables for the discrepancies between model and measurements were uncertainties in cooking and biomass burning OA emissions, errors in meteorology and uncertainties in the low-cost sensor measurements used for the evaluation. The overprediction at the outskirts was probably due to overestimation of regional pollution. SmartAQ predicted for PM2.5 that cooking was the dominant local source of pollution during summer and biomass burning for residential heating was the dominant one during winter, which are consistent with measurements. The developed air quality forecasting system can be applied to any European urban area to produce high resolution atmospheric and weather predictions. Τα συστήματα πρόβλεψης της ποιότητας του αέρα μπορούν να συμβάλουν στη βελτίωση της ποιότητας της ατμόσφαιρας σε περιφερειακή ή αστική κλίμακα και να μειώσουν τον κίνδυνο έκθεσης των ανθρώπων σε υψηλά επίπεδα ατμοσφαιρικής ρύπανσης. Το PM2.5 είναι ένας από τους σημαντικότερους ατμοσφαιρικούς ρύπους που μπορεί να διεισδύσει βαθιά στους πνεύμονές μας προκαλώντας πρόωρους θανάτους, καρδιαγγειακά και αναπνευστικά προβλήματα, αλλά μπορεί να βλάψει και τα οικοσυστήματα. Οι αέριοι ρύποι, όπως το O3 και το NOx, έχουν επίσης αρνητική επίδραση στην ανθρώπινη υγεία προκαλώντας πνευμονικές ασθένειες. Τα συστήματα πρόβλεψης της ποιότητας του αέρα γίνονται ολοένα και πιο χρήσιμα εργαλεία, καθώς μπορούν να προβλέψουν τη μελλοντική κατάσταση της ατμόσφαιρας και ενδεχομένως να αποτρέψουν τους κινδύνους για την ανθρώπινη υγεία. Το σύστημα πρόβλεψης της ποιότητας αέρα που αναπτύχθηκε και ονομάζεται SmartAQ (Smart Air Quality), συνδυάζει τελευταίας τεχνολογίας μετεωρολογικά και χημικά μοντέλα μεταφοράς για να παράγει προβλέψεις υψηλής ανάλυσης 1x1 km2 για μια αστική περιοχή για το επόμενο 3ήμερο. Το σύστημα προσομοιώνει την ατμοσφαιρική ρύπανση στην Ευρώπη χρησιμοποιώντας χωρική ανάλυση 36x36 km2 και μέσω τριών ένθετων πλεγμάτων με αυξανόμενη ανάλυση εστιάζει στην αστική περιοχή ενδιαφέροντος με ανάλυση 1x1 km2. Το μοντέλο WRF (Weather Research and Forecasting) προετοιμάζει προβλέψεις μετεωρολογίας υψηλής ανάλυσης, το μοντέλο MEGAN (Model of Emissions of Gases and Aerosols from Nature) παρέχει εκπομπές σωματιδίων και αερίων, ενώ το μοντέλο χημικής μεταφοράς PMCAMx (Particulate Matter Comprehensive Air Quality Model with extensions) χρησιμοποιείται για την προσομοίωση της ποιότητας του αέρα. Ο αλγόριθμος PSAT (Particulate matter Source Apportionment Technology) χρησιμοποιείται μαζί με το PMCAMx για τον προσδιορισμό της συνεισφοράς των πηγών για κάθε ρύπο για την αστική περιοχή. Το SmartAQ λειτουργεί αυτόματα, σε πραγματικό χρόνο και προβλέπει τη συγκέντρωση δεκάδων αερίων (NOx, SO2, CO, O3, πτητικές οργανικές ενώσεις κ.λπ.), το πλήρες μέγεθος των σωματιδίων και τη χημική σύνθεση μαζί με τα επίπεδα των PM1, PM2.5 και PM10, καθώς και τις πηγές των ρύπων. Η αστική περιοχή της Πάτρας χρησιμοποιήθηκε για την πρώτη εφαρμογή του συστήματός μας λόγω του υψηλής πυκνότητας δικτύου αισθητήρων χαμηλού κόστους που μετρά τις συγκεντρώσεις του PM2.5 στην πόλη. Οι μετρήσεις πεδίου έδειξαν ότι το μαγείρεμα και η καύση της βιομάζας στα τζάκια είναι πρωταρχικής σημασίας στις αστικές περιοχές, αλλά οι αντίστοιχες εκπομπές συχνά αμελούνται ή υποεκτιμώνται στις βάσεις δεδομένων των εκπομπών και τα μοντέλα χημικής μεταφοράς οδηγώντας σε αβέβαιες προβλέψεις για την ποιότητα του αέρα. Στην Πάτρα, η καύση ξύλων στα τζάκια είναι η κυρίαρχη πηγή ρύπανσης κατά τη διάρκεια του χειμώνα, ενώ το μαγείρεμα είναι η σημαντικότερη τοπική πηγή ρύπανσης κατά τη διάρκεια του καλοκαιριού και ιδιαίτερα τη νύχτα με βάση τις μετρήσεις πεδίου. Για τους λόγους αυτούς, αναπτύχθηκαν από την αρχή εκπομπές για το μαγείρεμα και την καύση βιομάζας στα τζάκια σε ανάλυση 1x1 km2 για την πόλη της Πάτρας που χρησιμοποιήθηκαν στο PMCAMx. Η χωρική κατανομή των εκπομπών από μαγείρεμα βασίστηκε στην ακριβή τοποθεσία των εστιατορίων στην πόλη και η χρονική κατανομή στο μετρούμενο ημερήσιο προφίλ των οργανικών σωματιδίων από μαγείρεμα. Η χωρική κατανομή των εκπομπών από την καύση της βιομάζας στα τζάκια βασίστηκε στην πυκνότητα των σπιτιών στην αστική περιοχή και το χρονικό προφίλ στις μετρήσεις πεδίου. Τα οργανικά σωματίδια από την καύση της βιομάζας θεωρήθηκαν πτητικά και χημικώς αντιδραστικά και οι εκπομπές τους είχαν θερμοκρασιακή εξάρτηση. Το PMCAMx αναπαρήγαγε αρκετά καλά τις συγκεντρώσεις των PM2.5 για την περιοχή με τις υψηλές εκπομπές οργανικών σωματιδίων από μαγείρεμα, ενώ έτεινε να υπερεκτιμά τις συγκεντρώσεις PM2.5 για τα προάστια της πόλης. Κατά τη διάρκεια του χειμώνα, το μοντέλο αναπαρήγαγε το μετρούμενο προφίλ των PM2.5 στην περιοχή με τις υψηλές εκπομπές από αστική καύση βιομάζας, αλλά έτεινε να υπερ-προβλέπει τα PM2.5 στα προάστια. Οι βασικοί παράγοντες για τις αποκλίσεις μεταξύ μοντέλου και μετρήσεων ήταν οι αβεβαιότητες στις εκπομπές από μαγείρεμα και καύση βιομάζας, τα σφάλματα στη μετεωρολογία και οι αβεβαιότητες στις μετρήσεις αισθητήρων χαμηλού κόστους που χρησιμοποιήθηκαν για την αξιολόγηση. Η υπερ-πρόβλεψη στα προάστια οφειλόταν πιθανώς σε υπερεκτίμηση της μεταφερόμενης ρύπανσης. Το SmartAQ προέβλεψε για τα PM2.5 ότι το μαγείρεμα ήταν η κυρίαρχη τοπική πηγή ρύπανσης κατά τη διάρκεια του καλοκαιριού και η καύση βιομάζας για θέρμανση κατοικιών ήταν η κυρίαρχη κατά τη διάρκεια του χειμώνα, κάτι που συνάδει με τις μετρήσεις. Το σύστημα πρόβλεψης της ποιότητας του αέρα που αναπτύχθηκε μπορεί να εφαρμοστεί σε οποιαδήποτε ευρωπαϊκή αστική περιοχή για την παραγωγή ατμοσφαιρικών και καιρικών προβλέψεων υψηλής ανάλυσης. 2023-06-23T09:18:18Z 2023-06-23T09:18:18Z 2023-06-02 https://hdl.handle.net/10889/25160 en application/pdf