Transcript pesco - Arpae Emilia

Il sistema modellistico NINFA+PESCO per la valutazione e
la previsione della qualità dell’aria in Emilia-Romagna
G.Bonafè1 , E.Minguzzi1 , M.Stortini1 , R.Amorati1 , L.Paci2 , M.Deserti1
1
Arpae Emilia-Romagna, 2 Università degli Studi di Bologna, Dip. di Scienze Statistiche
11 maggio 2016
Indice
1 Introduzione
2
2 Metodo
2.1 Il modello chimico e di trasporto NINFA . . . . . .
2.1.1 Il modello chimico Chimere . . . . . . . . .
2.1.2 Il modello meteorologico COSMO . . . . .
2.1.3 Input emissivo . . . . . . . . . . . . . . . .
2.1.4 Condizioni al contorno . . . . . . . . . . . .
2.2 Il modulo di post-processing geostatistico PESCO
2.3 Analisi . . . . . . . . . . . . . . . . . . . . . . . . .
2.3.1 Metodologia di kriging . . . . . . . . . . . .
2.3.2 Variabili esterne . . . . . . . . . . . . . . .
2.3.3 Stazioni selezionate . . . . . . . . . . . . . .
2.3.4 Valutazione e gestione delle incertezze . . .
2.4 Previsione . . . . . . . . . . . . . . . . . . . . . . .
3 Risultati
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
2
3
3
4
4
4
5
5
6
7
9
9
10
1
1
Introduzione
Arpae si è dotata di un sistema complesso ed articolato di strumenti (vedi figura 1) per conoscere e
capire la qualità dell’aria in Emilia-Romagna. Per la valutazione e la previsione dell’inquinamento
di fondo a scala regionale, Arpae Emilia-Romagna integra le informazioni provenienti dalla rete di
monitoraggio con le simulazioni del modello chimico e di trasporto NINFA, attraverso algoritmi
geostatistici implementati nel modulo PESCO.
In questo documento sono descritti gli elementi che compongono il sistema modellistico NINFA+PESCO, e se ne presentano alcuni risultati.
operational input
verification/calibration input
two−way interaction
alternative input
IFS
CALMET−SIMC
DIAGMET
CACHI
mass−consistent pre−processors
global
inventories
PREV’AIR
European
inventories
Italy
NINFA
EFESTO
regional/national
inventories
PESCO
UltraPESCO
INEMAR
CREER
geostatistical modules
ADMS−Urban
LAPMOD
local
inventories
local scale dispersion models
Emilia Northern
Romagna
Italy
COSMO−I7/LAMA
GO−CART
world
GME
emission inventories and tools
Europe
chemistry−transport models
local
domain
AQ obs.
satellite
SRNWP network
satellites
radiosoundings
global surface networks
local surface networks
meteorological models
SEBASTIAN
soil stn.
lidar
local
domain
Emilia Northern
Romagna
Italy
Italy
Europe
world
meteo.obs
domain
kerbside stations
supersites
urban bkgd.stn.
rural bkgd.stn.
domain
Figura 1: Il sistema modellistico di Arpae Emilia-Romagna per la qualità dell’aria
2
Metodo
Il sistema modellistico NINFA+PESCO funziona secondo lo schema illustrato sinteticamente nel
diagramma della figura 2. NINFA è descritto nel paragrafo 2.1. PESCO è descritto nel paragrafo
2.2 e schematizzato in blu nella figura 2; il suo funzionamento nella modalità di analisi è descritto
nel paragrafo 2.3, mentre il suo funzionamento nella modalità di previsione è descritto nel paragrafo
2.4.
2.1
Il modello chimico e di trasporto NINFA
NINFA (Network dell’Italia del Nord per previsioni di smog Fotochimico e Aerosol) si basa sulla
versione regionale del modello di trasporto chimico Chimere [Bessagnet e altri, 2004], abbinata al
modello meteorologico COSMO. Il sistema, implementato e gestito da Arpae- SIMC, produce ogni
2
Figura 2: Schema di funzionamento del sistema modellistico NINFA+PESCO
giorno mappe di concentrazione di P M10 , P M2.5 , ozono ed N O2 , per il giorno precedente (analisi)
e le successive 72 ore (previsione).
2.1.1
Il modello chimico Chimere
Chimere è un modello euleriano di trasporto chimico, progettato sia per produrre previsioni quotidiane di ozono, polveri ed altri inquinanti, sia per realizzare simulazioni di lungo termine per l’analisi
di scenari emissivi. Può essere implementato su domini di integrazione molto diversi, dalla scala
continentale (qualche migliaio di chilometri) alla scala regionale (100-200 km), con una risoluzione
orizzontale compresa tra 100 e 1-2 km. Chimere riproduce i principali fenomeni che riguardano gli
inquinanti atmosferici: emissione, diffusione, trasporto, reazioni chimiche, deposizioni. Le reazioni
in fase gassosa sono descritte utulizzando lo schema chimico MELCHIOR [Lattuati, 1997], mentre
gli aerosol sono trattati con un modulo appositamente sviluppato.
Nel sistema NINFA, il dominio di integrazione di Chimere copre l’intero Nord Italia: ciò consente
al modello di tenere conto delle circolazioni a scala locale nella Pianura Padana, che influenzano
pesantemente il trasporto e la dispersione di inquinanti [Dosio e altri, 2002]. La scelta di una
risoluzione orizzontale di 10 km permette di utilizzare inventari di emissione e dati meteorologici
omogenei nell’intero dominio, e aiuta a mantenere tempi di calcolo ragionevolmente brevi.
2.1.2
Il modello meteorologico COSMO
COSMO-I7 è la versione italiana del modello non-idrostatico ad area limitata COSMO [Steppeler
e altri, 2003]. Implementato e gestito da Arpae-SIMC, il modello produce due volte al giorno
previsioni meteorologiche per tutta l’Italia, con una risoluzione orizzontale di 7 km. Per generare
i file di input necessari al modello Chimere, Arpae-SIMC ha realizzato un’opportuna interfaccia:
valori orari di temperatura, vento, pressione, umidità dell’aria, copertura nuvolosa, flussi superficiali
e umidità del suolo sono passati direttamente a Chimere, mentre il contenuto d’acqua delle nubi,
3
l’altezza di rimescolamento e la velocità d’attrito sono ricalcolati mediante schemi parametrici. Per
la simulazione di analisi (relativa al giorno precedente), NINFA usa i campi prodotti dal ciclo di
assimilazione di COSMO, mentre per le previsioni (relative alle successive 72 ore) utilizza i campi
previsti da COSMO nella sua corsa delle ore 0 (ora di Greenwich).
2.1.3
Input emissivo
I dati sulle emissioni inquinanti, necessari come input per NINFA, si basano su:
• l’inventario regionale delle emissioni in atmosfera [Tugnoli e Rumberti, 2010], anno di riferimento 2007, realizzato da Arpae Emilia-Romagna per conto della Regione utilizzando il
software INEMAR (INventario EMissioni ARia);
• l’inventario nazionale delle emissioni inquinanti pubblicato da ISPRA [Lauretis e altri, 2009],
per il territorio italiano al di fuori del territorio dell’Emilia-Romagna;
• l’inventario del progetto MACC (di cui Arpae-SIMC è partner) per la parte del dominio che
ricade all’esterno dei confini italiani e per la porzione di Mar Mediterraneo inclusa nel dominio
di calcolo.
L’input emissivo per NINFA descrive le emissioni di particolato, composti organici volatili, ammoniaca, ossidi di azoto e di zolfo, monossido di carbonio, da tutte le sorgenti antropiche (industriali,
trasporti, civili, ecc.). Le emissioni di particolato distinguono due classi granulometriche (inferiori
ai 2.5 µm e comprese tra 2.5 e 10 µm), mentre i composti organici volatili sono ripartiti secondo la
speciazione definita dal CTN-ACE [Deserti e altri, 2004], che si ispira alla metodologia suggerita da
UK-NAEI [Passant, 2002]; per le emissioni biogeniche, viene invece utilizzato l’inventario costruito
con il modello MEGAN [Guenther e altri, 2006]. Il contributo delle emissioni biogeniche e delle
sorgenti emissive puntuali (centrali termoelettriche, grossi impianti industriali...) tiene conto anche
di alcune grandezze meteorologiche come stabilità atmosferica e temperatura.
2.1.4
Condizioni al contorno
Le concentrazioni di inquinanti ai bordi del dominio di integrazione di Chimere sono fornite dal
sistema modellistico per la qualità dell’aria PREV’AIR (www.prevair.org). Anche PREV’AIR è
basato su Chimere, tuttavia utilizza i campi meteorologici prodotti dal modello MM5. Tale sistema
è gestito in modalità operativa quotidiana da INERIS (www.ineris.fr), su un dominio che copre
gran parte dell’Europa con una risoluzione di 50 km. I due sistemi modellistici (NINFA a scala
regionale e PREV’AIR a scala continentale) sono quindi piuttosto simili, e possono essere integrati
fra loro senza introdurre grosse inconsistenze: nell’implementazione operativa, NINFA usa come
condizioni al contorno i campi tridimensionali di concentrazione di 23 specie gassose e di 47 specie
di aerosol prodotti da PREV’AIR.
2.2
Il modulo di post-processing geostatistico PESCO
PESCO (Postprocessing and Evaluation with Statistical techniques of the Chimere Output) è un
sistema di valutazione della qualità dell’aria in Emilia-Romagna che permette di ricostruire la
mappa regionale di concentrazione al suolo di ozono, P M10 , P M2.5 e biossido di azoto eseguendo
un post processing statistico dell’output del modello numerico NINFA con i dati osservati dalla rete
4
di monitoraggio regionale.
PESCO corregge sia le analisi, sia le previsioni di NINFA. Il metodo di post-processing per l’analisi
è descritto nel paragrafo 2.3, quello per la previsione nel paragrafo 2.4.
I codici per le valutazioni giornaliere [Bonafè e Paci, 2015] ed annuali sono disponibili rispettivamente agli indirizzi web
• https://github.com/jobonaf/pesco
• https://github.com/jobonaf/pesco-year.
2.3
Analisi
PESCO corregge le concentrazioni Cmod simulate dal modello NINFA per i giorni già trascorsi
(“analisi”) usando i dati misurati dalla rete.
2.3.1
Metodologia di kriging
Sia y(s) una trasformazione appartenente alla classe di trasformazioni di Box-Cox [Box e Cox,
1964] delle concentrazioni di inquinante osservate sul sito s; indichiamo con z(s) la corrispondente
concentrazione simulata da NINFA e trasformata in accordo con la trasformazione y(s).
Si applica quindi il seguente modello di regressione spaziale:
y(s) = α0 +
K
X
αk xk (s) + βz(s) + u(s) + ε(s)
(1)
k=1
dove:
• x1 , . . . , xK sono K variabili esterne (covariate), che rappresentano informazioni ausiliarie
disponibili e correlate con la variabile oggetto di studio;
• il coefficiente β rappresenta un fattore di correzione moltiplicativo globale dell’output del
modello NINFA;
• il termine u(s) rappresenta un processo Gaussiano stazionario a media zero correlato spazial
mente secondo una funzione di correlazione spaziale esponenziale1 , ovvero u(s), . . . , u(s) ∼
N (0, σ 2 H(ϕ)), con varianza σ 2 e matrice di correlazione spaziale H(ϕ) ij = exp{−ϕ||si −
sj ||};
• il termine ε(s) rappresenta la componente puramente casuale, cioè ε(si ) ∼ N (0, τ 2 ), che può
essere interpretata sia come effetto nugget o come errore di misura.
Anziché derivare la stima dei parametri α0 , α1 , . . . , αK e β del modello (1) dal variogramma,
che costituisce solo una delle possibili sintesi dei dati, si è preferito assumere un modello esplicito
per i dati ed applicare procedure statistiche standard di stima, cioè metodi di stima basati sulla
funzione di verosimiglianza [Diggle e altri, 1998].
Infine, la trasformazione applicata ai dati osservati, richiede che le previsioni prodotte dal kriging
siano ri-trasformate sulla scala dei valori originali. A questo proposito si fa riferimento al TransGaussian Kriging, ovvero al predittore non distorto a minimo errore quadratico medio proposto
1 La
correlazione spaziale decade esponenzialmente all’aumentare della distanza tra i siti.
5
da [Cressie, 1993]. Ad esempio, se si considera la trasformazione logaritmica dei dati, il predittore
‘naive’ exp(ŷ(s0 )) risulta essere un predittore distorto che deve essere corretto per un fattore che
dipende dalla varianza; in questo caso il predittore a minimo errore quadratico medio avrà un effetto
considerevole sopratutto in aree caratterizzate da pochi siti spaziali ad elevata variabilità [Diggle
e altri, 1998].
L’analisi esplorativa suggerisce di applicare le trasformazioni riportate in tabella 1.
Tabella 1: Indicatori giornalieri e relative trasformazioni applicate
inquinante indicatore
O3
massimo della media mobile su 8 ore
N O2
media
P M10
media
P M2.5
media
2.3.2
per il Trans-Gaussian Kriging
trasformazione
nessuna
logaritmica
logaritmica
logaritmica
Variabili esterne
Sulla base di alcuni test preliminari sono state selezionate le variabili esterne Φ1 , . . . , ΦK , elencate
nella tabella 2, da utilizzare nel kriging di ciascun inquinante.
Tabella
inquinante K
O3
2
N O2
2
P M10
2
P M2.5
1
2: Variabili esterne per il kriging
Φ1
Φ2
quota
emissioni di N Ox
quota
emissioni di N Ox
quota
emissioni di P M10
emissioni di P M10 -
Disaggregazione delle emissioni I dati emissivi originali di N Ox e di P M10 provengono dall’Inventario Regionale dell’Emilia-Romagna e sono riferiti ad una griglia regolare con risoluzione
spaziale di 5 km. I dati dei macrosettori “trasporti stradali”, “combustione non industriale” (riscaldamento), “processi produttivi” e “combustione industriale” (che da soli rappresentano la gran
parte delle emissioni di N Ox e di P M10 ) sono stati disaggregati sulla griglia di lavoro di PESCO a
1 km, proporzionalmente alla distribuzione spaziale di alcune variabili proxy, cosı̀ come sintetizzato
nella tabella 3.
Poiché, come si è detto nel paragrafo 2.3.1, nelle variabili esterne per il kriging si cercano parametri
la cui combinazione lineare sappia spiegare lo scarto delle osservazioni rispetto al modello NINFA,
è ragionevole supporre che esse debbano essere correlate con le concentrazioni determinate da fenomeni locali di diffusione di inquinanti primari o di precursori. Dunque si è ritenuto opportuno
applicare al dato emissivo, dopo la disaggregazione, un algoritmo di smoothing che rappresenti seppur in modo molto semplificato - la diffusione locale: le emissioni di ciascuna cella sono distribuite tra le celle incluse in un raggio r, proporzionalmente all’inverso del quadrato della distanza.
I raggi di smoothing sono riportati nella tabella 3.
6
settore
Tabella 3: Disaggregazione delle emissioni
tipologia
proxy di disaggregazione
trasporti stradali
autostrade
strade extraurbane
altre strade
riscaldamento civile
combustione industriale
processi produttivi
tutte
tutte
lunghezza delle autostrade
lunghezza delle strade extraurbane
frazione di uso del suolo urbano o
industriale
popolazione delle unità censuarie
frazione di uso del suolo industriale
tutte
frazione di uso del suolo industriale
raggio
di
smoothing
[km]
2
2
2
10
30
30
Per tenere conto della variabilità stagionale del settore “Combustione non industriale” (riscaldamento civile), il dato emissivo di quel settore è moltiplicato per un coefficiente

 2 in dicembre, gennaio e febbraio;
1 in marzo, aprile, maggio, settembre, ottobre e novembre;
fs =
(2)

0 in giugno, luglio e agosto.
2.3.3
Stazioni selezionate
Poiché la risoluzione di PESCO e delle sue variabili esterne è di 1 km, esso può elaborare solo i
dati di centraline di monitoraggio che siano rappresentative di aree di raggio di almeno 1 km. Sono
escluse perciò dalle elaborazioni le stazioni “di traffico” o “industriali” rappresentative di specifiche
criticità localizzate (hot-spot). Sono state selezionate solo stazioni di fondo (urbane, subsurbane
o rurali). Di conseguenza anche i risultati prodotti da PESCO si devono intendere come riferiti
alle concentrazioni di fondo, cioè alle concentrazioni che si registrano lontano da sorgenti emissive
dirette (p.es. nei parchi o nei campi). Nella tabella 4 sono elencate le stazioni utilizzate.
7
Tabella 4: Stazioni utilizzate dal modello PESCO per le valutazioni 2015
8
nome
Comune
prov.
Badia
Ballirana
Besenzone
Caorle
Castellarano
Castelluccio
Cento
Cittadella
Corte Brugnatella
Delta Cervia
Febbio
Franchini-Angeloni
Gavello
Gherardi
Giardini Margherita
Lugagnano
Marecchia
Ostellato
Parco Bucci
Parco Edilcarani
Parco Ferrari
Parco Montecucco
Parco Resistenza
Remesina
San Clemente
San Leo
San Pietro Capofiume
Saragat
Savignano
Savignano Di Rigo
S. Lazzaro
S. Rocco
Verucchio
Via Chiarini
Villa Fulvia
Langhirano
Alfonsine
Besenzone
Ravenna
Castellarano
Porretta Terme
Cento
Parma
Corte Brugnatella
Cervia
Villa Minozzo
Cesena
Mirandola
Jolanda Di Savoia
Bologna
Lugagnano Val D’Arda
Rimini
Ostellato
Faenza
Sassuolo
Modena
Piacenza
Forli’
Carpi
San Clemente
San Leo
Molinella
Colorno
Savignano Sul Rubicone
Sogliano Al Rubicone
Reggio Nell’Emilia
Guastalla
Verucchio
Bologna
Ferrara
PR
RA
PC
RA
RE
BO
FE
PR
PC
RA
RE
FC
MO
FE
BO
PC
RN
FE
RA
MO
MO
PC
FC
MO
RN
RN
BO
PR
FC
FC
RE
RE
RN
BO
FE
latitudine
(◦ N )
44.65823
44.52743
44.9895
44.41926
44.51624
44.15122
44.73301
44.79242
44.73473
44.28386
44.30071
44.14138
44.92877
44.83975
44.48363
44.82389
44.06431
44.7409
44.29502
44.54038
44.65157
45.03854
44.21515
44.80038
43.93183
43.90722
44.65423
44.92596
44.09687
43.92741
44.68904
44.87373
44.01388
44.50009
44.82426
longitudine
(◦ E)
10.28937
11.98236
10.0192
12.22539
10.73391
10.92719
11.29966
10.33099
9.36693
12.33225
10.43104
12.24474
11.17895
11.96125
11.35504
9.83037
12.55249
11.94194
11.8711
10.79236
10.90731
9.66935
12.04816
10.88426
12.62728
12.40123
11.62482
10.37191
12.40333
12.22479
10.66359
10.66478
12.42096
11.28607
11.64962
quota
(m msl)
202
6
50
4
150
811
15
60
765
0
1121
41
4
-2
43
210
5
0
35
118
30
61
29
25
179
540
11
30
32
615
55
22
78
56
8
area
tipo
rurale
rurale
rurale
urbana
suburb.
rurale
suburb.
urbana
rurale
suburb.
rurale
urbana
rurale
rurale
urbana
suburb.
urbana
rurale
urbana
urbana
urbana
urbana
urbana
suburb.
rurale
rurale
rurale
suburb.
suburb.
rurale
urbana
rurale
suburb.
suburb.
urbana
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
fondo
N O2
O3
P M10
P M2.5
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
2.3.4
Valutazione e gestione delle incertezze
Il metodo di kriging consente di valutare anche l’incertezza della stima. Ad ogni passo temporale,
per ogni nodo della griglia di calcolo è calcolata l’incertezza della stima. Tale incertezza tipicamente
è molto piccola nelle celle vicine a una stazione di qualità dell’aria, o comunque nelle celle ben
rappresentate dalle misure delle centraline. Invece le aree caratterizzate da valori delle proxies
piuttosto diversi da quelli che caratterizzano le centraline, possono in certi casi essere caratterizzate
da valori elevati di incertezza, e perciò le stime che PESCO formula per tali aree sono meno
attendibili. Ad esempio, le aree di montagna o alcune aree caratterizzate da emissioni elevate, in
alcuni casi possono essere caratterizzate da incertezze elevate. Ciò si verifica ad esempio quando
particolari condizioni meteorologiche (passaggio di una perturbazione) indeboliscono la correlazione
tra le concentrazioni e le proxies stesse (quota ed emissioni).
La stima s formulata da PESCO - per una data cella, per un dato inquinante, per un dato
istante - è considerata valida quando l’incertezza u ad essa associata rispetta la condizione
u ≤ θ OR (θ < u ≤ φ AND
u
≤ ψ)
s
(3)
Dove le tre soglie θ, φ e ψ sono definite per ciascun inquinante, come riportato in tabella 5.
Cosı̀ vengono eventualmente invalidate le stime a cui è associata un’incertezza considerata eccessiva. Il calcolo degli indicatori annuali, per ciascun inquinante, è poi considerato valido solo nelle
celle in cui la disponibilità di dati giornalieri validi è almeno del 75%.
Tabella 5: Soglie per l’invalidazione delle stime giornaliere
inquinante indicatore
θ
φ
(µg/m3 )
P M 10
media annua
10
20
P M 10
n. di superamenti giornalieri
10
20
P M 2.5
media annua
10
20
N O2
media annua
10
30
O3
n. di superamenti del max della media su 8h 10
30
2.4
ψ
(-)
0.5
0.5
0.5
0.5
0.5
Previsione
Oltre che in modalità di analisi (hindcast), cioè per la ricostruzione di campi di concentrazione
riferiti a giornate già passate, la procedura di unbiasing e downscaling PESCO si applica anche alla
previsione (forecast) prodotta quotidianamente dal modello NINFA.
Gli indicatori giornalieri previsti sono:
• media giornaliera di P M10 ,
• media giornaliera di P M2.5 ,
• massimo giornaliero di N O2 e
• massimo giornaliero della media mobile su 8 ore di ozono.
9
σ=φ
C
ψ⋅
σ=θ
10
C
ψ⋅
σ=φ
20
20
σ=
σ (µg m3)
30
σ=
σ=θ
10
C (µg m3)
100
80
60
40
0
100
80
60
40
20
0
0
0
20
σ (µg m3)
30
C (µg m3)
Figura 3: Criteri di invalidazione delle stime giornaliere, per PM10 e PM2.5 (a sinistra) e per N O2
e ozono (a destra). L’area tratteggiata individua i valori di concentrazione stimata C e relativa
incertezza della stima σ per i quali la stima viene considerata troppo incerta e dunque è invalidata.
In questo caso però, trattandosi di previsioni, evidentemente non sono disponibili le osservazioni
delle centraline di qualità dell’aria, con cui l’algoritmo di kriging possa correggere le simulazioni
del modello. Si applica perciò un unbiasing e downscaling “climatologico”, basato sulle correzioni
medie che PESCO ha applicato in un run annuale di un anno passato.
In pratica si calcolano, per ciascun indicatore giornaliero I e per ogni cella c della griglia di
destinazione di PESCO (risoluzione 1 km), i bias locali b(c)
b(c) =
IN (c)
IP (c)
(4)
dove IN e IP sono gli indicatori, rispettivamente prima e dopo l’applicazione di PESCO. Poi si
calcolano i fattori correttivi
1
(5)
f (c) =
b(c)
e F (c), medie stagionali di f (c) per ciascuno degli indicatori giornalieri di qualità dell’aria. Infine
ogni giorno la previsione I˜N (c) viene corretta per ciascuna delle celle c della griglia PESCO
I˜P (c) = I˜N (c) · F (c)
3
(6)
Risultati
Nel seguito sono riportati, a titolo di esempio, i risultati delle applicazioni del sistema NINFA+PESCO in modalità di “analisi” per il 2015. Tutte le elaborazioni annuali sono disponibili
all’indirizzo http://shiny.arpa.emr.it/prodotti-pesco/.
10
ozono di fondo
NO2 di fondo
media annua (µg m3)
numero di giorni in cui il massimo giornaliero della media mobile su 8 ore supera i 120 µg m3
anno: 2015
anno: 2015
Piacenza
Piacenza
●
●
●Ferrara
Parma
Ferrara
●
Parma
●
●
Reggio Emilia
●Modena
Reggio Emilia
●Modena
●
●
Bologna
Bologna
●
●
Ravenna
Ravenna
●
●
Forli'
Forli'
●
●
Cesena
Cesena
●
µg m3
> 40
30−40
20−30
10−20
< 10
n.d.
●
Rimini
Rimini
giorni
> 75
50−75
25−50
10−25
< 10
n.d.
●
PM10 di fondo
media annua (µg m3)
●
PM10 di fondo
numero di giorni in cui la media giornaliera supera i 50 µg m3
anno: 2015
anno: 2015
Piacenza
Piacenza
●
●
●Ferrara
Parma
Ferrara
●
Parma
●
●
Reggio Emilia
●Modena
Reggio Emilia
●Modena
●
●
Bologna
Bologna
●
●
Ravenna
Ravenna
●
●
Forli'
Forli'
●
●
Cesena
Cesena
●
µg m3
> 40
30−40
20−30
10−20
< 10
n.d.
●
Rimini
giorni
> 50
35−50
20−35
10−20
< 10
n.d.
●
PM2.5 di fondo
media annua (µg m3)
anno: 2015
Piacenza
●
Ferrara
●
Parma
●
Reggio Emilia
●Modena
●
Bologna
●
Ravenna
●
●Forli'
Cesena
µg m3
> 25
20−25
15−20
10−15
< 10
n.d.
●
Rimini
●
Figura 4: Concentrazioni di fondo stimate con PESCO per il 2015
11
Rimini
●
biossido di azoto
anno 2015
media annua
ozono
anno 2015
superamenti giornalieri dei 120 µg m3
popolazione esposta
territorio esposto
50
40
popolazione esposta
territorio esposto
80
70
0.5%
giorni
µg m3
60
30
50
40
20
30
100%
10
20
0
0
25
50
75
100
0
25
50
%
PM10
anno 2015
superamenti giornalieri dei 50 µg m3
popolazione esposta
territorio esposto
popolazione esposta
territorio esposto
0%
60
30
giorni
µg m3
100
%
PM10
anno 2015
media annua
40
75
40
30%
20
20
10
0
0
25
50
75
100
0
%
25
50
75
100
%
PM2.5
anno 2015
media annua
30
25
popolazione esposta
territorio esposto
0.26%
µg m3
20
15
10
5
0
25
50
75
100
%
Figura 5: Percentuale di popolazione e di territorio esposta a concentrazioni superiori a una soglia
(stime PESCO 2015).
12
giorni
60
% di popolazione
80
> 75
50 − 75
25 − 50
10 − 25
< 10
n.d.
0
0
20
40
60
80
> 40
30 − 40
20 − 30
10 − 20
< 10
n.d.
20
% di popolazione
3
40
µg m
100
ozono di fondo
popolazione esposta a superamenti giornalieri dei 120 µg m3
100
biossido di azoto di fondo
popolazione esposta a media annua
2009
2010
2011
2012
2013
2014
2015
2009
2010
2011
2012
anno
2014
2015
3
giorni
60
% di popolazione
80
> 50
35 − 50
20 − 35
10 − 20
< 10
n.d.
0
0
20
20
40
60
80
> 40
30 − 40
20 − 30
10 − 20
< 10
n.d.
40
µg m
100
PM10 di fondo
popolazione esposta a superamenti giornalieri dei 50 µg m3
100
PM10 di fondo
popolazione esposta a media annua
% di popolazione
2013
anno
2009
2010
2011
2012
2013
2014
2015
2009
anno
2010
2011
2012
2013
2014
2015
anno
100
PM2.5 di fondo
popolazione esposta a media annua
µg m3
60
40
0
20
% di popolazione
80
> 25
20 − 25
15 − 20
10 − 15
< 10
n.d.
2009
2010
2011
2012
2013
2014
2015
anno
Figura 6: Percentuale di popolazione esposta a concentrazioni superiori ad alcune soglie (stime
PESCO 2009–2015).
13
Riferimenti bibliografici
Bessagnet B.; Hodzic A.; Vautard R.; Beekmann M.; Cheinet S.; Honoré C.; Liousse C.; Rouil
L. (2004). Aerosol modeling with CHIMERE–preliminary evaluation at the continental scale.
Atmospheric Environment, 38(18), 2803–2817.
Bonafè G.; Paci L. (2015). pesco 0.3.0. doi:10.5281/zenodo.19829.
Box G. E.; Cox D. R. (1964). An analysis of transformations. Journal of the Royal Statistical
Society. Series B (Methodological), pp. 211–252.
Cressie N. (1993). Statistics for Spatial Data. Wiley Series in Probability and Statistics. WileyInterscience.
Deserti M.; Lollobrigida F.; Angelino E. (2004). I modelli per la valutazione e gestione della qualità
dell’aria: normativa, strumenti, applicazioni. Relazione Tecnica Tk 09.02.03a, CTN-ACE.
Diggle P. J.; Tawn J.; Moyeed R. (1998). Model-based geostatistics. Journal of the Royal Statistical
Society: Series C (Applied Statistics), 47(3), 299–350.
Dosio A.; Galmarini S.; Graziani G. (2002). Simulation of the circulation and related photochemical ozone dispersion in the Po plains (northern Italy): comparison with the observations of a
measuring campaign. Journal of Geophysical Research-Atmospheres, 107(D22), 8189.
Guenther A.; Karl T.; Harley P.; Wiedinmeyer C.; Palmer P.; Geron C. (2006). Estimates of global
terrestrial isoprene emission using megan. Atmospheric Chemistry and Physics, 6, 3181–3210.
Lattuati M. (1997). Impact des emissions européenes sur le bilan d’ozone troposphérique á l’interface
de l’Europe et de l’Atlantique Nord: apport de la modélisation lagrangienne et des mesures en
altitude. Tesi di Dottorato di Ricerca, Université Pierre et Marie Curie, Paris, France.
Lauretis R. D.; Caputo A.; Cóndor R.; Cristofaro E. D.; A.Gagna; Gonella B.; Lena F.; Liburdi R.;
Romano D.; Taurino E.; Vitullo M. (2009). La disaggregazione a livello provinciale dell’inventario
nazionale delle emissioni. Relazione Tecnica 92, ISPRA–Istituto Superiore per la protezione e la
Ricerca Ambientale.
Passant N. (2002). Speciation of UK emissions of non-methane volatile organic compounds. Rep.
AEAT/ENV, 545.
Steppeler J.; Doms G.; Schättler U.; Bitzer H.-W.; Gassmann A.; Damrath U.; Gregoric G. (2003).
Meso-gamma scale forecasts using the non-hydrostatic model LM. Meteorol. Atmos. Phys., 82,
75–96.
Tugnoli S.; Rumberti V. (2010). Inventario delle emissioni in atmosfera. Relazione tecnica, ARPA
Emilia Romagna. http://goo.gl/e017Q.
14