Hava kalitesi modeli değerlendirilmesi, hava kalitesi gözlemlerindeki mekânsal ve zamansal özellikleri simüle ederek performansını değerlendirme sürecidir.
Teknik Rapor 2.3a, AĞUSTOS 2019 Sayfa 14 ABD Çevre Koruma Ajansı’nın Atmosfer Modellemesi ve Analizi bölümü model değerlendirmesinin farklı yönlerini farklı genel kategorilerde sınıflandırmaktadır:
a) Operasyonel performans değerlendirmesi modelin simüle edilmiş değerlerinin
gözlemlenen verilerle karşılaştırılmasıyla yapılmaktadır. Konsept sadece hava kalitesi parametrelerine değil, WRF gibi gelişmiş eşleştirilmiş modeller söz konusu olması halinde (WRF-CMAQ çevrimdışı eşleştirilmiş model HEY portalı ile çok iyi
çalışmaktadır) meteorolojik değişkenlere de uygulanabilmektedir.
b) Dinamik değerlendirme, hava kalitesi yönetimi uygulamalarında merkezi bir rol oynayan emisyon ve meteoroloji değişikliklerine hava kalitesi modelinin yanıtını değerlendirmeye odaklanmaktadır. Bu tür bir analiz hava kirliliği yönetiminde ana faktörlerin tespitinde faydalı olabilmektedir; (CMAQ’ın geniş çaplı emisyon ve meteoroloji girdilerini ele alma konusunda güçlü özellikleri vardır. Bu da ayrıntılı ve açık bir çerçeve ile dinamik değerlendirmeye yardımcı olur.)
c) Tanısal değerlendirme, algoritma için muhtemel iyileştirmeleri bulmak amacıyla süreçleri ve model performansını etkileyen girdi sürücülerini araştırır. (Hem WRF girdi ve performansı hem de DUMANpy emisyon modeli CMAQ için en iyi girdileri
sağlamak konusunda optimize edilmiştir.)
Hava kalitesi yönetim stratejilerini değerlendirirken karar vericiler farklı seçeneklerin göreceli risk ve başarı olasılığı hakkında bilgiye ihtiyaç duymaktadır. Bu durumlarda model kararsızlıklarını yansıtan bir dizi değer, modelin en iyi tahmininden veya gerçek çıktıdan daha önemlidir.
Model çıktısını doğrulamak için gerekli veri türü modelin kendisine ve kullanıcının ihtiyaçlarına bağlıdır.
CALMET gibi meteorolojik ön işlemciler veya WRF/Chem veya CMAQ gibi eşleştirilmiş meteorolojik/kimyasal modeller için atmosfer değişkenlerinin gözlemlenmesi alanın bazı noktalarında sonuçların doğrulanması için gerekecektir.
Prof. Ünal ve grubu CMAQ modelleme sistemini yıllardır kullanmakta ve bu modelleme sisteminin sonuçlarına dayanarak kayda değer miktarda yayın yapmışlardır. En son çalışmalarından birinde (Şekil 4), CMAQ sistemi kullanılarak evsel ısıtmanın hava kalitesi üzerindeki etkisi tahmin edilmiştir. Bu çalışmada emisyonlar NAPEM projesinde toplanan faaliyet verileri ve emisyon faktörleri kullanılarak öngörülmüştür. CMAQ model performansı zemin gözlemleriyle değerlendirilmiştir ve model performansının gerçekçi ölçülen değerlere yakın olduğu bulunmuştur (Baykara vd., 2019). Bu çalışma CITYAIR ve HEY portalının bir parçası olarak kullanılmasını önerdiğimiz CMAQ modelleme çerçevesi ve bileşenlerinin WRF ve DUMANpy’nin gerçekçi sonuçlar ürettiğini göstermektedir. Herhangi bir hava kalitesi sisteminin en önemli girdilerinden biri emisyonlar olduğundan ve mevcut HEY protalı DUMANpy kullandığından mevcut sistem için uygun bir hava kalitesi modeli kullanmak, (bu durumda CMAQ modelleme sistemi) en iyisidir. Başka bir hava kalitesi modeli çerçevesini mevcut altyapıya uyumlandırmak çok fazla zaman ve kaynak gerektirecektir.
Teknik Rapor 2.3a, AĞUSTOS 2019 Sayfa 15 Şekil 4 : İTÜ’nün evsel ısınma CMAQ çalışmasının sonuçları
Teknik Rapor 2.3a, AĞUSTOS 2019 Sayfa 16
4 Bölgesel hava kalitesi tahmini modeli
4.1 Genel değerlendirmeler
Günümüzde tahmin sistemleri geniş ölçekli süreçleri göz önüne alarak ilgili alan üzerinde yüksek çözünürlüklü simülasyon yapılmasını sağlayan basamaklı bir yaklaşımla çalışmaktadır (Şekil 5).
Şekil 5 : Fransa’da yüksek çözünürlüklü hava kalitesi tahminlerini hesaplamayı sağlayan simülasyon basamaklarının gösterimi
Operasyonel tahmin için kullanılan modellerin bilimsel becerisi değerlendirme için kullanılan modellere çok benzemektedir. Modellenmiş fiziksel ve kimyasal süreçler (taşınım ve difüzyon, çökelme, kimya, mikrofizik…) en güncel duruma uyum sağlamalıdır. Emisyon güncel olmalı ve zamansal profilleriyle açıklanmalıdır (biyojenik, antropik ve toz emisyonu). Aerosol tanımlamaları boyut, dağılım, fiziksel ve kimyasal süreçler açısından olabildiğince ayrıntılandırılmalıdır. İlgili sınır koşulları ve ilgili meteorolojik tahminlerin çözünürlükleri sistemi besleyen gereklilikleri karşılamak için uyumlandırılmalıdır. Sonuç olarak düzenli güncellemeye imkân verecek standart bir yaklaşım operasyonel tahmin sisteminin her modülü için oluşturulmalıdır.
Copernicus Avrupa hava kalitesi hizmetlerinde kullanılan her model için kısa bir teknik açıklama (CAMS özetleri) Ek 1’de verilmiştir.
Tahmini hava kalitesi modellemedeki en güncel metodolojiye göre yapmak için aşağıdaki gereklilikleri karşılayan, yüksek performanslı bir linux hesaplama kümesi şiddetle tavsiye edilmektedir:
• Modele ilişkin kodların ve araçların yürütülmesi için geniş çaplı kitaplıklar
• Kümenin 7/24 izlenmesi
• Temel verilerin kaybolmasını önlemek amacıyla bir yedekleme sistemi
• Önceki tahmin çıktılarının arşivleri
• Kümenin güçlülüğü ve güvenirliği
• Türkiye’de hava kalitesi tahmin üretimi için tavsiye edilen kurulum için yaklaşık 200 cpu Önemli bir depolama hacmi gerekmektedir (birkaç Tb) ve ürünün ve arşiv sisteminin saklanması politikasına göre bu hacmin arttırılması da mümkündür.
CITYAIR’deki bölgesel hava kalitesi uygulamaları için Ineris ve ulusal araştırma merkezi tarafından geliştirilen CHIMERE modelini seçtik. Bu model, AB Copernicus Atmosfer Hizmetlerinin tahminlerinde rol oynayan (Bakınız: Ek) ve birkaç ülkede ulusal hava kalitesi tahin uygulamaları için zaten uygulanmış tam operasyonel bir modeldir.
• Fransa: Prév’air Sistemi (www.prevair.org) 2003 yılında ozon tahminlerini yürütmek için kurulmuştur. 15 yıldan fazla bir süre sonra sistem şimdi ozon, PM ve nitrojen dioksit hava kirliliği episodları meydana geldiğinde ulusal seviyede hava kalitesi yönetiminde kullanılmaktır. Sistem iki modele dayanmaktadır: CHIMERE ve MOCAGE. CHIMERE referans modeldir. Bugün Prév’air, modelin yüksek gücünün bir sonucu olarak yüksek seviyeli geçerlilikle (>%99) tahminler sunan 24 CHIMERE simülasyonu dahil her gün 400 görevi yürüten güçlü bir sistemdir.
Teknik Rapor 2.3a, AĞUSTOS 2019 Sayfa 17
• Belçika: IRCEL tarafından Belçika için uyarlanan CHIMERE’nin mevcut çözünürlüğü 50x50 km’dir. Dolayısıyla model geniş bir alan için konsantrasyon örneklerini
hesaplamaktadır. Dolayısıyla yerel olarak (sanayi bölgeleri yakınları, önemli yollar…) gerçek konsantrasyonların daha yüksek olma ihtimali vardır. CHIMERE modellerinin burada anlatılmayan başka modellerle ortak sonuçları, yaz aylarında ozonun en yüksek seviyede olması ve partikül maddenin yüksek olması konusunda nüfusu bilgilendirmek için kullanılmaktır. http://www.irceline.be/en
• İtalya: Emilia-Romagna Çevre Ajansı 2003 yılından bu yana hem operasyonel tahmin hem de bölgesel değerlendirme için NINFA3 adında operasyonel bir hava kalitesi sistemi uygulamaktadır. NINFA son zamanlarda bölgesel hava kalitesi değerlendirmeleri için kullanılmaktadır. Meteorolojik girdiler, meteorolojik İtalyan Sınırlı Alan Modeli COSMO-I7’den alınmaktadır. Kimyasal sınır koşulları Prév’air verilerinden sağlanmakta, emisyon girdi verileri ise bölgesel Emilia-Romagna Envanteri’ne (INEMAR), ulusal (ISPRA) ve Avrupa envanterlerine dayanmaktadır. CHIMERE modeli O3, NO2, PM10 ve PM2.5
tahminlerini yapmak için kullanılmaktadır.
Bilimsel değerlendirme açısından CHIMERE’nin performansı Copernicus ve Prév’air çevrelerinde yürütülen analiz skorlarıyla da doğrulandığı üzere mükemmeldir ve aşağıda kısaca özetlenmiştir.
4.2 Bilimsel değerlendirme
Model performansları, model sonuçları ve mevcut istasyonların gözlemleri arasındaki boşluğu nesnel olarak ölçen istatistiksel göstergeler (yanlılık, kök ortalama kare hatası (RMSE) ve korelasyon katsayısı) ışığında değerlendirilmektedir. Gözlemlenen ve modellenen ortalamaların zamansal ve mekânsal karşılaştırmaları da genel olarak göz önünde bulundurulmaktadır
Performans göstergelerinin hareketi istasyon tipolojisine ve ele alınan kirleticiye bağlıdır. CAMS bölgesel hizmetinde kullanılan modeller Avrupa ölçeğinde yürütülmektedir ve mekânsal çözünürlükleri 10 km civarındadır. Sonuç olarak yerel kaynaklardan (NO2, bazı durumlarda PM) büyük ölçüde etkilenen kirleticiler için bu bölgesel modeller trafik veya sanayi istasyonları tarafından izlenen sıcak noktaları tekrar üretememektedir ve performans göstergeleri bu lokasyonlarda değerlendirilmemelidir. Şehir istasyonlarında bile zorluklarla karşılaşılabilmektedir.
Tam aksine, atmosferde uzun süredir var olan kirleticiler ve etkilenmiş geniş alanlarda (tipik olarak ozon ve bazı durumlarda PM), her tür istasyonda değerlendirilen performans göstergeleri (trafik ve sanayi bölgeleri hariç) akla yatkın olmaktadır.
Raporda kullanılan çeşitli performans göstergelerinin tanımları aşağıda verilmiştir. Bu tanımlar değerlendirme süreçlerinde sıklıkla görülmektedir.
• Yanlılık, ortalama olarak, simülasyonların mevcut ölçülen konsantrasyonları düşük veya yüksek tahmin edip etmediğini göstermektedir. Bizim durumumuzda negatif değer düşük tahmini pozitif değerse yüksek tahmini göstermektedir. 0’a yakın değerler en iyileridir:
( )
CAMS Bölgesel Üretimlerinin son raporu 2016 yılının doğrulanmış yeniden analizlerini göstermektedir.
Yeniden analiz, hava kirleticileri konsantrasyon alanlarına dayanarak Avrupa için aposteriori olarak doğrulanan hava kalitesi değerlendirmeleri sağlamaktadır. Bu yeniden analiz belirli bir alanda modellerin kirleticilerin seviyesini tekrar üretme kapasiteleri ve paternleri hakkında fikir vermektedir.
3 https://www.arpae.it/mappa_qa.asp?idlivello=134&tema=valutazioni&inq=o3
Teknik Rapor 2.3a, AĞUSTOS 2019 Sayfa 18 Şekil 6 2016 yılında istasyonların iki tipolojisi için günlük PM10 ortalaması için yanlılık göstermektedir.
Sonuçların analizleri MOCAGE, SILAM ve MATCH hata ile ilgili daha iyi sonuçları verdiğini göstermektedir.
Şekil 6 : CAMS Bölgesel Üretimleri ile ilgili skorlar 2016 yılında tüm Avrupa alt bölgelerinde banliyö ve kırsal istasyonlarda günlük ozon pikini ve PM10 günlük ortalamasını tahmin etme amaçlı yeniden analizleri doğrulamaktadır.
• Kök Ortalama Kare Hatası (RMSE) modelin gözlemlerin genel büyüklüğünü tahmin etme becerini hakkında bilgi vermektedir. Mümkün olduğunca zayıf olmalıdır:
( )
=−
Ni
i
i
O
N
1P 1
2N gözlem sayısı iken, Pi tahminleri ve Oi ise gözlemleri göstermektedir. µg/m3 olarak ifade edilmektedir.
Teknik Rapor 2.3a, AĞUSTOS 2019 Sayfa 19 Şekil 7 : CAMS çerçevesinde gerçekleştirilen ara yeniden analiz sonucunun skor örneği (RMSE µg/m3
cinsinden). Solda 2018 yılında ozon için hesaplanmış RMSE ve sağda PM10 için ve her ikisi için hesaplanmış RMSE.
PM10 günlük ortalaması ve 2018 yılı için günlük maksimum ozon için RMSE göstergesi analizi CHIMERE modelinde daha iyi performans göstermektedir.
• Tahminler veya gözlemler olsun, korelasyon ölçümleri aynı yönde birlikte değişiklik göstermektedir (aynı anda ve/veya aynı yerde). Korelasyonun bire yakın olması iki veri setindeki uç değerlerin daha iyi eşleşmesi anlamına gelmektedir.
) var(
) var(
) , cov(
i i
i i
O P
O r P
=
N gözlem sayısı iken, Pi tahminleri ve Oi ise gözlemleri göstermektedir. µg/m3 olarak ifade edilmektedir.
• Taylor diagramları (Şekil 8 ve Şekil 9) farklı modeller için tek bir çeyrek üzerinde çeşitli istatistiksel göstergeler üzerinde sentezleme yapmaktadır. Yarıçaplar korelasyon katsayısı değerlerine tekabül etmekte, x ekseni ve y ekseni standart sapma değerleri yayını sınırlandırmakta ve iç yarı çemberler RMSE değerlerine karşılık gelmektedir. Dolayısıyla bu, bir model setinin göreceli performansının bir özetini sunmanın oldukça sentetik bir yöntemidir ve model karşılaştırma çalışmalarında sıklıkla kullanılmaktadır.
Şekil 8 : CAMS çerçevesinde gerçekleştirilen yeniden analiz ara sonucunun Taylor grafiğinde bir örneği.
Teknik Rapor 2.3a, AĞUSTOS 2019 Sayfa 20 Geçen yılın PM10 Taylor grafiği, CHIMERE sonuçlarının 2018 CAMS grubuna çok yakın olduğunu göstermektedir. Korelasyon göstergesi ve RMSE CHIMERE’nin PM10 girdileri için daha iyidir.
Şekil 9 : Günlük ozon maksimumlarını (Mayıstan Eylüle kadar) simüle etmek amacıyla bireysel ve grup model performanslarını sentezleyen Taylor grafiği
2016 yılı için günlük maksimum ozonu gösteren Taylor grafiği (Şekil 9) 2016 yılı için doğrulama analizleri hakkındaki raporundan alınmıştır ve CHIMERE sonuçlarının CAMS gruplarına çok yakın olduğunu göstermektedir. CHIMERE çıktıları RMSE ve korelasyon için en iyi ozon pikleri sonuçlarını elde etmektedir.
Eşik değerlerle ilgili göstergeler için, örneğin belli bir konsantrasyon seviyesinin aşıldığı gün sayısı, saatler, doğru tahminleri (GP), yanlış alarmları (FA) veya eksik olayları (ME) gösteren “kontenjans tabloları” öngörülmektedir. Bu konseptler hava durumu veya hava kalitesi tahmin alanından gelmektedir.
Zor olsa da ve gerçek model performansının nesnel bir temsili olmasa da (eşik limit etkisinden dolayı, eşiğe yakın bir sonuç nedensiz bir şekilde herhangi bir kategoriye düşebilmektedir.) farklı coğrafi bölgelerde farklı modellerin davranışlarını karşılaştırmak konusunda faydalı bilgiler verebilmektedir. GP, FA ve ME her sınıfta toplam istasyon sayısına işaret etmektedir (GP, FA ve ME).
Teknik Rapor 2.3a, AĞUSTOS 2019 Sayfa 21 Şekil 10 : Değerlendirme yapan bönliyö ve kentsel istasyonlarında PM10 eşik aşımlarının sayısıyla ilgili olarak model performanslarını açıklayan histogramlar (“goodfa” aşımın iyi bir şekilde tespit edildiğini,
“faf” yanlış alarmları, “ndf” ise tespit edilemeyen olayları ifade etmektedir).
Şekil 10 yanlış alarmların grup için az olmasının eşik aşım tespitinde (şehir istasyonlarında %40) yüksek güven seviyesi anlamına geldiğini doğrulamaktadır. CHIMERE ve SILAM eşiğin üstünde konsantrasyonlara sahip bölgelerin temsili konusunda yüksek becerilere sahiptir ve LOTOS-EUROS’un sistematik pozitif hatası birçok yanlış alarma sebebiyet vermektedir. Bu sonuçların değerlendirme için seçilen istasyonla ilgili olduğu ve değerlendirmede asimile edikmiş istasyonları ele alırsak doğru tespitlerin sayının artacağı da göz önünde bulundurulmalıdır.
Şekil 11 : CHIME ve CAMS tüm model tahminleri: PM10 ve ozon skorları temsili sitelerden alınan verilerle birlikte
Şekil 11 CHIMERE için PM10 ile ilgili günlük analizler ve tahmin faaliyetleri, ozon için CAMS modelini ve CAMS dahilindeki tahmin performanslarının doğrulamasını göstermektedir. Bu skorlardan da anlaşılacağı gibi, CHIMERE’nin RMSE’si (maksimum 2µg/m3) en iyi model olduğu düşünülen grup tahminlerine çok yakındır.
Daha önce bahsedilen kriterlere göre, operasyonel tahmin sistemi olarak kullanılan CHIMERE, aslında istatistiksel göstergeler açısından en iyi göstergeleri sağlamaktadır. CHIMERE modeli hava kalitesi ve tahmini için dünyaca ünlü bir modeldir ve Avrupa’da yaygın olarak dağıtımı yapılmakta, yurtdışında da kullanılmaktadır (Şekil 12). Fransız CNRS ve INERIS gibi köklü kurumlar tarafından geliştirilmekte ve desteklenmektedir. CHIMERE Fransız dinamik meteoroloji laboratuvarında (LMD) çalışmaları sürdürülen ücretsiz bir açık kaynak modeldir, ilgili bir ağ sayfası ve geniş bir kullanıcı topluluğu
Teknik Rapor 2.3a, AĞUSTOS 2019 Sayfa 22 bulunmaktadır. Yeni versiyonları yıllık olarak yayınlanmakta ve CAMS, Prév’air ve Fransız hava kalitesi merkez laboratuvarı (LCSQA, ulusal referans laboratuvarı) için ayrıntılı yıllık değerlendirmeler yapılmaktadır. Ayrıca CHIMERE modeli polen gibi başka kirleticilerin tahminine de olanak vermektedir.
Şekil 12 : CHIMERE kullanıcılarının haritaları (2019)
INERIS takımı ulusal tahmin sistemini ulusal ölçekte ve Avrupa ölçeğinde sürdürmektedir. Prév’air ise hava kalitesi yönetimi konusunda ulusal politika desteği konusunda çok tecrübelidir.
Takım, tecrübe, meslektaş ilişkisi ve güven konusunda avantajlıdır. Hava kalitesi platformu geliştirilmesini desteklemek konusunda uzmanlığa sahiptir. Bu da son derece önemli bir önkoşuldur.
INERIS tarafından geliştirilen tahmin sistemi, sınır koşulları ve ilk koşullar olarak veya sadece yerel ölçekte hava kalitesi yönetimine destek verecek hava kalitesi haritalandırması için yerel hava kalitesi sistemlerine entegre edilecek verileri sağlamak amacıyla dosyaların son kullanıcılara dağıtımını da içermektedir.
5 Cadde seviyesi tahmini için modeller
Kanyon tipi cadde, yolun iki tarafında yüksek binalar sıralandığında derin, dar, vadi gibi yerler olarak tanımlanmaktadır. Kanyon tipi caddelerde yüksel kirlilik seviyeleri sıklıkla gözlenmektedir. Özellikle kanyon tipi cadde uygulamaları için geliştirilmiş veya sadece onlar için kullanılan birçok dispersiyon modeli mevcuttur. Bu modeller, hava kalitesi ve trafik yönetimi, şehir planlama, izleme verilerinin yorumlanması, kirlilik tahmini, insan maruz kalma çalışmaları, vs. için faydalı olabilmektedir. Faklı kategoriler için keskin ayrımlar bulunmasa da modeller fiziksel (örneğin azalan skala) veya matematiksel (örneğin kutu, Gauss, HAD) ilkelerine ve gelişmişlik seviyelerine (örneğin tarama, yarı ampirik, sayısal) göre sınıflandırılabilmektedir. Bu kategorilerden bazıları (sıklıkla çakışırlar) ve karşılık gelen modeller aşağıda verilmiştir.