FMI-ENFUSER ilmanlaatujärjestelmällä tietoa kaupunkien ilmanlaadusta Lasse Johansson
Sisältö ENFUSER-mallin esittely Mallin toiminta pääkaupunkiseudulla Tulevaisuuden näkymät ja sovelluskohteet Ulkomaan kokemuksia oppia myös Suomeen 14.12.2016 2
Säädata (HIRLAM) Alueellinen AQ (SILAM) AQ mittausdata Päästökartoitukset (esim. laivat Ympäristöä kuvaavat GIS-datasetit FMI-ENFUSER mallijärjestelmä 33
Mallijärjestelmä FMI-ENFUSER mallijärjestelmä tuottaa valitulle kaupungille tuntikohtaisia tuloksia menneestä ja tulevasta ilmanlaadusta (15 x 15m tarkkuus) Tulokset viedään automaattisesti selattavaan dataportaaliin Kalibrointi (päivitys 3kk välein) Tiedonkerääjä (päivitys 10min välein) FMI-ENFUSER (päivitys 1-6h välein) Automaattinen järjestelmä pohjautuu avoimeen dataan, ilmaisiin pilvipalveluihin ja se toimii yhdessä pöytäkoneessa. Mallitulokset (kuvat, animaatiot, rasteridata, jne) NO2, PM2.5, PM10, O3, AQI Portaali Amazon Web Service, HerokuApp, Dropbox 4
Sovelluskohteita Lisäarvoa sensoriverkon kanssa tarjottuna Siirtyminen pistedatasta kokonaisvaltaisempaan kuvaan (ei vain dataa, vaan kokonaisvaltainen ratkaisu) Työkalu yksittäisten mittalaitteiden laadunvalvontaan? Työkalu uuden mittalaitteen sijoittamiseen? Työkalu päätöksentekoon Automatisoidut varoitukset, mahdollisuus reagoida ennalta huonoon ilmanlaatuun Sisäilman ohjaus Kytkentä rakennusten sisäilman ohjaukseen (3D) Mobiilisovellukset GPS-pohjaisesti Henkilökohtaisen altistumisen monitorointi, minuutti minuutilta Korkean resoluution pitoisuuskarttoja kaupungissa Esimerkiksi ilmansaasteiden vuosikeskiarvotietoa kotiosoitteesi ympäristössä 14.12.2016 5
Malli ja metodiikka FMI-ENFUSER = (The Finnish Meteorological Institute s ENvironmental information FUsion SERvice) Mukana projekteissa: EU/PESCaDO, CLEEN MMEA, TEKES-INKA*, TEKES-CITYZER*, CLIMOB* (*käynnissä) Yhdistää tilastollisen mallintamisen (LUR) ja dispersiomallintamisen menetelmät Dispersiomallintamista ilman tietoa päästölähteistä, Toisaalta, tilastollista mallintamista käyttämällä painokertoimia, jotka juontavat dispersiomallintamiseen Malli kalibroidaan mittausdatan perusteella 100 000+ ilmanlaatumittauksen perusteella Kalibrointi sisältää aikariippuvuuden Eri meteorologisissa olosuhteissa saadaan eri painotukset potentiaalisille päästölähteille, korkeuserollakin on väliä 6 (3D)
Kalibrointi hajota ja hallitse Kalibrointi: monimuuttujaregression avulla etsitään parhaat selittäjät pitoisuuksille (PNS) ja näille selittäjille painotuskertoimet aikariippuvuuksineen Todellisuudessa, vaikka mittapisteitä olisi valtava määrä, ei kaikkia riippuvuussuhteita löydettäisi ilman valistuneita alkuarvauksia Siksi kalibroitavat muuttujat (ja niiden painokertoimet) ovat itse asiassa pienempiä, suuntaa-antavia apumalleja Esimerkiksi liikennevirta (tieluokitus, tien leveys, asukastiheys) Apumallit voivat sisältää kytköksiä meteorologisiin muuttujiin Esimerkiksi, puun pienpoltto ja ulkolämpötila (PM2.5) Kalibroinnin jälkeen apumalleja voidaan vielä hienosäätää Monte Carlo -menetelmällä Valitaan sellaiset parametrit, jotka maksimoivat selitysasteen 7
Maankäytön aineisto Tärkein tietolähde: OpenStreetMap (OSM) Maankäyttö, tieverkosto ja rakennukset 5 x 5m, avoin data, saatavilla globaalisti Rakennukset analysoidaan mallissa erityisen tarkasti, sillä Pientalot toimivat PM2.5 lähteinä Yksi apumalleista, arvioi mm. talojen pinta-alan Pääkaupunkiseudulla apumallia voidaan verrata HSY:n antamaan kartoitukseen pientalojen PM2.5 kontribuutiosta Vaikutus tuuliolosuhteisiin, erityisesti katukuiluissa Tämän vuoksi malli kaikuluotaa jokaisen pisteen lähiympäristön 8
Entäpä se fuusio? Tarkkaan ottaen, kalibroinnin jälkeen malli kykenee laskemaan odotetun pitoisuusarvon pisteessä x aikana t. Entäpä ne saatavilla olevat viimeisimmät mittauspisteet? Lyhyesti sanottuna, FMI-ENFUSER mukautuu näihin mittauksiin lennossa Vaihe 1: Jokaisessa mittauspisteessä vertaillaan havaittua arvoa mallin antamaan odotusarvoon Vaihe 2: Hienosäätö, yritetään saada odotetut pitoisuudet vastaamaan havaittuja mahdollisimman hyvin Vaihe 3: Arvioidaan miten paljon painoarvoa tulisi yksittäiselle mittauspisteelle antaa paikan/ajan (x,t) suhteen Vaikuttavia tekijöitä: lähteen laatu/luotettavuus, aikaleimat, etäisyys Vaihe 4: Lasketaan pisteeseen (x,t) pitoisuusarvo muiden referenssipisteiden pohjalta, arvioituja painoarvoja hyödyntäen (Johansson et al, 2015) 9
Kuva sisältää 1800 x 1200 pistettä, joista kukin vuorollaan on ollut fuusioitava piste (x,t) Jokaisessa pisteessä on tehty kaikuluotaukset, ympäristöarvioinnit, apumallien estimoinnit, jne Alueellisen skaalan taustapitoisuus Viimeisimmät mittaukset 14.12.2016 10
Fuusion ominaisuuksia Lähtötietona voi toimia niin monta sensoria kuin tahansa, ja niiden laatu voi olla vaihteleva Tarkempi mittalaitteisto saa enemmän painoarvoa Ei sulje pois mallinnetun datan käyttöä (suurempi epävarmuus, pienempi painoarvo) Mallinnettu data erityisen hyödyllistä ilmanlaadun ennusteissa lähitulevaisuuteen Ennustaminen mallilla on teknisesti hyvin samankaltaista kuin mallin käyttö viimeisimpien mittausten kanssa, vain hieman epätarkempaa Lopputulos ei ole herkkä yksittäisen mittalaitteen oikuille Sensorien painoarvo on suurin mittauspaikan lähistöllä ja sitä pienempi mitä enemmän sensoreita on Taustapitoisuus ja saasteiden kaukokulkeutuma ei ole ongelma Korkea taustapitoisuus kaikki sensorit näyttävät korkeampaa pitoisuutta kuin odotettu fuusioiduissa pisteissä taustapitoisuus mukautuu korkeaksi 11
Tulevaisuuden kehityskohteita Katupölyn realistisempi mallintaminen Tienpinnan tila (pöly, kosteus), renkaat Mittausdatan älykäs suodatus Satunnaiset voimakkaat piikit ja kuopat mittausdatassa Reaaliaikainen laivapäästödata FMI-STEAM laivapäästömalli voidaan kytkeä ENFUSER-malliin - Globaalisti käytettävissä 14.12.2016 12
Laadunvalvonta (1/2) Mallin toimintakykyä tarkastellaan jatkuvasti vertaamalla tuloksia mittausaikasarjoihin. Tuotetaan automaattisesti portaaliin = katukuilu Ohessa vertailu on tehty NO2 pitoisuudelle kausikeskiarvojen muodossa 38:ssa mittauspisteessä vuonna 2010 13
Laadunvalvonta (2/2) Mallin toimintakykyä verrataan myös muihin malleihin (Ohessa NO2 pääkaupunkiseudulla 2010 ja 2011) Tuntipohjainen Dispersiomalli (Gaussian plume) Tilastollinen Land-Use-Regression kausikeskiarvoille Tuntipohjainen FMI-ENFUSER Keskimääräinen virhe (RMSE) NO2:n kausikeskiarvoille (Pienempi = parempi) Laadunvalvonnan fokus siirtymässä ennusteiden tarkkuuteen - ENFUSER portaaliin kumuloitunut n. vuoden ajanjaksolta meteorologista dataa, SILAM-mallinnettua taustaa ja mitattua AQ tuntidataa 14
Kokemuksia Aasiasta (1/4) Tiiliteollisuus Delhin ympäristössä Satoja Delhin ympärillä, n. 15% PM2.5 kontribuutio Lisättiin ENFUSER malliin pistelähteinä (Gaussian Puff) Aikaprofiili karkeasti sisällytetty Päästökertoimet ei tiedossa 14.12.2016 15
Kokemuksia Aasiasta (2/4) Maankäyttöä kuvaava aineisto huonosti saatavilla Opittiin ammentamaan maankäyttötietoa suoraan satelliittikuvasta NASA EOSDIS Luminosity datasta suuntaa-antava asukastiheys 14.12.2016 16
Kokemuksia Aasiasta (3/4) Ilmansaasteiden mittauksia saatiin paljon Delhissä, 8 asemaa vuonna 2013 (NO, NO2, O3, CO, PM2.5 ja PM10) Laatu ja luotettavuus varsin vaihtelevaa => ENFUSER mallia käytettiin mittausdatan laadun varmentamiseen Tällä poukkoilevalla IGI Airport asemalla ei ole kaikki hyvin Kuvastaa: miten konsistentti mittausaseman havainto on itsensä kanssa eri aikaviiveillä (esim. 1, 3 tai 24h) 17
Kokemuksia Aasiasta (4/4) Lähtökohdat haastavat, silti järkeviä tuloksia saatiin mallista ulos 14.12.2016 18
Yhteenveto Yksittäinen ilmanlaadun mittaus pitää sisällään paljon informaatiota päästöjen alkuperästä FMI-ENFUSER malli kalibroidaan hyödyntämällä suurta määrää mittauspisteitä Kalibroinnin jälkeen malli kykenee tuottamaan uudenlaista ilmanlaatuinformaatiota ilman perinteisiä päästölähdekartoituksia Mallinnusjärjestelmä pohjaa avoimeen dataan ja menetelmää voidaan soveltaa myös Suomen ulkopuolella Opettavainen testiasennus tehty Delhissä, työn hedelmät hyödynnettävissä myös Suomessa Operatiivisen ENFUSER-mallin tuloksia, muutamalle valitulle kaupungille Suomessa, voi pian selata netissä 19
Johansson, L., Epitropou, V., Karatzas, K., Karppinen, K., Wanner, L., Vrochidis, S., Bassoukos, A., Kukkonen, J. and Kompatsiaris I. Fusion of meteorological and air quality data extracted from the web for personalized environmental information services. Environmental Modelling & Software, Elsevier, Volume 64, February 2015, Pages 143 155, 2014. www.fmi.fi