ΜΕΛΕΤΗ ΚΑΙ ΤΑΞΙΝΟΜΗΣΗ ΕΠΕΙΣΟ ΙΩΝ ΣΩΜΑΤΙ ΙΑΚΗΣ ΡΥΠΑΝΣΗΣ

Transcript

1 9 O COMECAP 2008, ΠΡΑΚΤΙΚΑ ΣΥΝΕ ΡΙΟΥ ΘΕΣΣΑΛΟΝΙΚΗ 9 O COMECAP 2008, PROCEEDINGS, THESSALONIKI, GREECE ΜΕΛΕΤΗ ΚΑΙ ΤΑΞΙΝΟΜΗΣΗ ΕΠΕΙΣΟ ΙΩΝ ΣΩΜΑΤΙ ΙΑΚΗΣ ΡΥΠΑΝΣΗΣ ΣΤΗΝ ΚΥΠΡΟ ΜΕ ΤΗ ΧΡΗΣΗ ΟΡΥΦΟΡΙΚΩΝ ΕΙΚΟΝΩΝ ΜODIS Α. ΡΕΤΑΛΗΣ 1,. ΠΑΡΩΝΗΣ 2, Σ. ΜΙΧΑΗΛΙ ΗΣ 3, Φ. ΤΥΜΒΙΟΣ 3, Π. ΚΩΝΣΤΑΝΤΙΝΙ ΗΣ 3 ΚΑΙ Σ. ΚΛΕΑΝΘΟΥΣ 4 1 Ινστιτούτο Ερευνών Περιβάλλοντος και Βιώσιµης Ανάπτυξης, Εθνικό Αστεροσκοπείο Αθηνών 2 Ινστιτούτο ιαστηµικών Εφαρµογών και Τηλεπισκόπησης, Εθνικό Αστεροσκοπείο Αθηνών 3 Μετεωρολογική Υπηρεσία, Λευκωσία, Κύπρος 4 Τµήµα Επιθεώρησης Εργασίας, Λευκωσία, Κύπρος ΠΕΡΙΛΗΨΗ Στην εργασία αυτή παρουσιάζονται τα αποτελέσµατα από την ανάλυση των δορυφορικών δεδοµένων MODIS και επίγειων µετρήσεων αιρούµενων σωµατιδίων (PM 10 ) για την ανίχνευση και χαρτογράφηση σωµατιδιακής ρύπανσης στην Κύπρο για τη χρονική περίοδο Πραγµατοποιήθηκε η ταξινόµηση των συνοπτικών καταστάσεων µε τη χρήση Τεχνητών Νευρωνικών ικτύων. Επιχειρήθηκε η συσχέτιση των δορυφορικών και επίγειων µετρήσεων, καθώς η σύνδεση τους µέσω συνοπτικών καταστάσεων. Τα αποτελέσµατα της εργασίας καταδεικνύουν την δυναµική της συνδυασµένης χρήσης των δορυφορικών δεδοµένων MODIS και των επίγειων µετρήσεων αιρούµενων σωµατιδίων (PM 10 ) για την παρακολούθηση και χαρτογράφηση της ποιότητας του αέρα, ιδιαίτερα όταν ενσωµατώνεται σε αυτά και η πληροφορία της επικρατούσας συνοπτικής κατάστασης. STUDY AND CLASSIFICATION OF PARTICULATE AIR POLLUTION IN CYPRUS WITH THE USE OF MODIS IMAGES A. RETALIS 1, D. PARONIS 2, S. MICHAELIDES 3, F. TYMVIOS 3, P. CONSTANTINIDES 3 AND S. KLEANTHOUS 4 1 Institute for Environmental Research & Sustainable Development, National Observatory of Athens 2 Institute for Space Applications & Remote Sensing, National Observatory of Athens 3 Meteorological Service, Nicosia, Cyprus 4Department of Labour Inspection, Nicosia, Cyprus ABSTRACT This paper presents the results from the analysis of MODIS images for the detection and mapping of particulate air pollution in Cyprus. For this purpose, MODIS aerosol data were analyzed along with ground PM 10 measurements for the period As part of this study, an attempt is being made to classify synoptic situations with the use of Artificial Neural Networks. It was also attempted to correlate MODIS aerosol data and PM 10 data and to find possible connection according to synoptic situation classes. The results depict the potentiality of the use of remotely sensed data (MODIS) for monitoring and air pollution quality mapping in a full extent in Cyprus providing useful information that could be used in combination with other available data sources (meteorological data, ground based air pollution monitoring stations, etc.). 1. ΕΙΣΑΓΩΓΗ Η παρακολούθηση της ποιότητας του αέρα αποτελεί µια σηµαντική κατεύθυνση στον τοµέα της δορυφορικής τηλεπισκόπησης διεθνώς. Τα τελευταία χρόνια ιδιαίτερη έµφαση δίνεται στην εφαρµογή µεθόδων για την ανίχνευση και παρακολούθηση της ατµοσφαιρικής ρύπανσης που προέρχεται από ανθρωπογενείς πηγές (π.χ. βιοµηχανική 767

2 δραστηριότητα, κίνηση των οχηµάτων στα µεγάλα αστικά κέντρα). Στη διεθνή βιβλιογραφία αναφέρονται µέθοδοι µέτρησης του οπτικού πάχους των αερολυµάτων πάνω από αστικές περιοχές που εφαρµόζονται σε δορυφορικά δεδοµένα υψηλής (Wald and Baleynaud 1999, Lin et al. 2002; Retalis et al., 1999), µεσαίας (Kaufman et al., 2002) και χαµηλής χωρικής ανάλυσης (Retalis et al., 2003; Paronis and Sifakis 2003, Holben et al., 1992; Costa et al., 2002). Μία άλλη συνιστώσα της ατµοσφαιρικής ρύπανσης, φυσικής προέλευσης, που είναι ιδιαίτερα σηµαντική σε περιοχές της Μεσογείου, όπως η Κύπρος και η Ελλάδα, είναι η µεταφορά σωµατιδίων από την έρηµο της Σαχάρας ή, πιο σπάνια, από άλλες ερήµους της περιοχής, όπως αυτές της Μέσης Ανατολής, φαινόµενο ιδιαίτερα έντονο κατά την εαρινή και θερινή περίοδο. Μέχρι σήµερα, παρά τις διαθέσιµες τιµές των ρύπων που καταγράφονται από τα επίγεια δίκτυα µέτρησης της ατµοσφαιρικής ρύπανσης (π.χ. PM 10 ), δεν παρέχεται καµία πληροφορία για την συνοπτική κατάσταση στην ατµόσφαιρα την εκάστοτε στιγµή, ούτε για την αποτύπωση των αεροσωµατιδίων σε ευρύτερη κλίµακα, δηλαδή πέρα των σταθµών µέτρησης των δικτύων. Στην παρούσα εργασία επιχειρείται η µελέτη της αποτύπωσης της σωµατιδιακής ρύπανσης στην Κύπρο µε τη βοήθεια των δορυφορικών παρατηρήσεων MODIS και των επίγειων µετρήσεων ρύπανσης (PM 10 ) σε συνάρτηση µε τις επικρατούσες συνοπτικές καταστάσεις. 2. Ε ΟΜΕΝΑ ΚΑΙ ΜΕΘΟ ΟΛΟΓΙΑ Η µεθοδολογία περιελάµβανε συνοπτικά τα εξής στάδια: Συλλογή και επεξεργασία επίγειων δεδοµένων ρύπανσης (PM 10 ). Συλλογή και ανάκτηση του οπτικού πάχους αερολυµάτων (ΑΟΤ) από δορυφορικές εικόνες MODIS. Ταξινόµηση των συνοπτικών καταστάσεων µε τη χρήση νευρωνικού δικτύου. Συσχέτιση των δορυφορικών δεδοµένων ΑΟΤ και επίγειων δεδοµένων ρύπανσης (PM 10 ) σε συνάρτηση µε τις συνοπτικές καταστάσεις. 3. ΕΠΕΞΕΡΓΑΣΙΑ Ε ΟΜΕΝΩΝ 3.1 ορυφορικά δεδοµένα Ο δέκτης MODIS (MODerate resolution Imaging Spectroradiometer) βρίσκεται εγκατεστηµένος στους δορυφόρους Terra και Aqua. Τα διαθέσιµα δεδοµένα για τους δύο δορυφόρους τηρούνται αντίστοιχα από τον Απρίλιο του 2000 και τον Μάιο του Οι µετρήσεις του οπτικού πάχους πραγµατοποιούνται τόσο πάνω από την επιφάνεια των ωκεανών (Tanré et al., 1997) όσο και πάνω από την ξηρά (Kaufman et al., 1997), µέσω δύο ανεξάρτητων αλγορίθµων. Για την ανάκτηση των αερολυµάτων πάνω από τους ωκεανούς, χρησιµοποιούνται οι µετρούµενες τιµές ακτινοβολίας σε έξι φασµατικές περιοχές ( nm) µε χωρική ανάλυση 500m. Η αναγωγή από τα 500m σε προϊόν µε ανάλυση 10km, επιτρέπει την αυστηρή διαλογή των νεφών, την αποφυγή των κενών µεταξύ των δεδοµένων και την παραγωγή ενός αξιόλογου τελικού προϊόντος. Το οπτικό πάχος αερολύµατος (τ) που τελικά παράγεται έχει ένα σφάλµα της τάξης τ = ±0.03±0.05τ πάνω από ωκεανούς και τ = ±0.05±0.15τ πάνω από ξηρά 768

3 (Tanré et al., 1997). Όταν µάλιστα στη σύσταση του αερολύµατος κυριαρχεί σκόνη παρατηρείται επιπλέον απόκλιση της τάξης +10%. Στην παρούσα εργασία χρησιµοποιήθηκαν δορυφορικά δεδοµένα οπτικού πάχους MODIS level-2 (MOD04_L2, Collection 5) µε ανάλυση 10km 10km για τη χρονική περίοδο από τους δορυφόρους TERRA και AQUA. Από τα δεδοµένα αυτά που περιελάµβαναν κατά µέσο όρο µία εικόνα ανά ηµέρα υπολογίστηκαν χωρικές µέσες τιµές για την ευρύτερη περιοχή της Κύπρου για την περίοδο Ταξινόµηση συνοπτικών καταστάσεων H ταξινόµηση των συνοπτικών καταστάσεων όπως αυτές καθορίζονται από τη χωρική κατανοµή των γεωδυναµικών υψών στην ισοβαρική επιφάνεια των 500hPa έχει γίνει µε την βοήθεια µεθόδων Τεχνητών Νευρωνικών ικτύων (Artificial Neural Networks). Τα δεδοµένα που χρησιµοποιήθηκαν προέρχονται από τη βάση δεδοµένων του NCAR και αποτελούνται από τα πεδία γεωδυναµικών υψών (σε γεωδυναµικά µέτρα) στις 1200UTC για κάθε µέρα για τα έτη από 1980 µέχρι και Για την ταξινόµηση υλοποιήθηκε ένα νευρωνικό δίκτυο τύπου Kohonen (self-organizing map - SOM). Το SOM είναι ένα νευρωνικό δίκτυο που εκπαιδεύεται χωρίς επιτήρηση (unsupervised) και χρησιµοποιείται ώστε να υποβιβάσει µια πολυδιάστατη αναπαράσταση, σε µία λιγότερο πολύπλοκη (τάξη), διατηρώντας όµως τα τοπολογικά χαρακτηριστικά των αρχικών δεδοµένων. Το νευρωνικό δίκτυο εκπαιδεύτηκε για 20, 24, 30 και 35 τάξεις. Τα δεδοµένα που χρησιµοποιήθηκαν στην παρούσα εργασία είναι οι τιµές πλέγµατος στα 500hPa στις 1200UTC για κάθε µέρα, από την 1/1/1980 µέχρι 31/12/2005, σύνολο 7384 µέρες, από τη βάση δεδοµένων του NCEP (National Centers for Environmental Prediction, USA). Το πλέγµα ορίζεται από τις γεωγραφικές συντεταγµένες 60 Β, 20 (πάνω αριστερά) και 20 Β, 40 Α (κάτω δεξιά). Τα σηµεία του πλέγµατος απέχουν , δηλαδή κάθε χρονική στιγµή (1200 UTC, κάθε ηµέρας) ορίζεται από 7 25=425 σηµεία. Το νευρωνικό δίκτυο που υλοποιήθηκε είναι ένα δίκτυο µε την αρχιτεκτονική SOM (Kohonen, 1990) µε εξόδους 20, 24, 30 και 35 στοιχεία. Το διάνυσµα εισόδου είναι αυτό που σχηµατίζεται από τις τιµές στα 425 σηµεία του πλέγµατος. Εφόσον ο ακριβής αριθµός των τάξεων δεν είναι γνωστός εκ των προτέρων, για την παρούσα εργασία σχεδιάστηκαν 4 πανοµοιότυπα δίκτυα µε την ικανότητα να κατηγοριοποιήσουν τα δεδοµένα εισόδου σε 20, 24, 30 και 35 τάξεις. Λεπτοµερής περιγραφή των νευρωνικών δικτύων που υλοποιήθηκαν παρουσιάζεται στην βιβλιογραφία (Michaelides et al., 2001, 2007). 3.3 Επίγειες µετρήσεις αιωρούµενων σωµατιδίων (PM 10 ) Το Τµήµα Επιθεώρησης Εργασίας της Κύπρου έχει την ευθύνη λειτουργίας και συντήρησης του επίγειου δικτύου µετρήσεων ατµοσφαιρικής ρύπανσης. Οι µετρήσεις συγκέντρωσης αιωρούµενων σωµατιδίων (ΡΜ 10 ) δίνονται ως ωριαίες µέσες τιµές και για όλους τους σταθµούς τηρείται αρχείο από το 2003 έως σήµερα. Οι µετρήσεις που χρησιµοποιήθηκαν προέρχονται από τέσσερις σταθµούς: δύο σταθµούς αστικής-κυκλοφορίας (Λευκωσία N, E και Λάρνακα N, E), έναν σταθµό περιαστικό-βιοµηχανικό (Ζύγι N, E) και έναν σταθµό περιαστικό-υποβάθρου ( N, E). 769

4 4. ΑΠΟΤΕΛΕΣΜΑΤΑ Στο Σχήµα 1 παρουσιάζονται µε τη µορφή γραφήµατος τα αποτελέσµατα της συσχέτισης των δεδοµένων οπτικού βάθους αερολυµάτων (MODIS) και συγκέντρωσης PM 10 που προέκυψαν για κάθε σταθµό µέτρησης και για τις 30 τάξεις της ταξινόµησης (R 2, συντελεστής συσχέτισης). R-square ΥΠΟΒΑΘΡΟΥ ΛΑΡΝΑΚΑ ΛΕΥΚΩΣΙΑ ΖΥΓΙ Αριθµός τάξης συνοπτικής κατάστασης ΣΧΗΜΑ 1. Συντελεστής συσχέτισης (R 2 ) των επίγειων µετρήσεων PM 10 µε τις τιµές οπτικού πάχους από τον δέκτη TERRA/MODIS για την περιοχή της Κύπρου. Σύµφωνα µε τα αποτελέσµατα του Σχήµατος 1, ο βαθµός συσχέτισης µεταβάλλεται τόσο από τάξη σε τάξη και από σταθµό σε σταθµό. Οι τιµές του R 2 κυµαίνονται από 0.95 έως την τιµή µηδέν. Ο σταθµός υποβάθρου (µαύρο χρώµα) παρουσιάζει συγκριτικά µεγαλύτερη συσχέτιση. Παρατηρείται ακόµη η ύπαρξη κλάσεων που θα µπορούσαν να χαρακτηρισθούν ως ευνοϊκές µε βάση τον παρατηρούµενο υψηλό βαθµό συσχέτισης των δεδοµένων. Όπως υποδεικνύει το διάγραµµα του Σχήµατος 2 όπου παρουσιάζεται ο βαθµός συσχέτισης ανά κλάση σε φθίνουσα διάταξη για τον σταθµό υποβάθρου, ως ευνοϊκές χαρακτηρίζονται οι κλάσεις 10, 1, 4, 2 µε συντελεστή συσχέτισης µεγαλύτερο από ΣΥΜΠΕΡΑΣΜΑΤΑ Στην εργασία αυτή παρουσιάστηκε η µελέτη των αιωρούµενων σωµατιδίων στην περιοχή της Κύπρου για τη χρονική περίοδο µε τη συνδυασµένη χρήση δορυφορικών δεδοµένων MODIS (µετρήσεις οπτικού πάχους αερολυµάτων) και επίγειων µετρήσεων (PM 10 ). Πραγµατοποιήθηκε, επίσης, ταξινόµηση των συνοπτικών καταστάσεων µε τη χρήση Τεχνητού Νευρωνικού ικτύου. ιαπιστώθηκε ότι ο βαθµός συσχέτισης εξαρτάται από την τάξη της συνοπτικής κατάστασης και από το είδος του σταθµού µέτρησης. Ο σταθµός υποβάθρου παρουσιάζει καλύτερες τιµές συσχέτισης, 770

5 ενώ παρατηρήθηκε ότι σε κάποιες κλάσεις οι βαθµοί συσχέτισης ήταν µεγαλύτεροι από κάποιες άλλες. Το γεγονός αυτό δείχνει τη δυναµική που παρέχουν τα δορυφορικά δεδοµένα MODIS για τη χαρτογράφηση της σωµατιδιακής ρύπανσης (όταν φυσικά η νεφοκάλυψη είναι µηδενική ή ελάχιστη), ώστε σε συνδυασµό µε τις επίγειες µετρήσεις αιωρούµενων σωµατιδίων να δίνεται η δυνατότητα αποτύπωσης της χωρικής πληροφορίας όσο αφορά την ποιότητα του αέρα σε ολόκληρη την Κύπρο. Η εργασία πραγµατοποιείται στα πλαίσια του ερευνητικού προγράµµατος «Σύστηµα παρακολούθησης αεροσωµατιδιακής ρύπανσης σε σχεδόν-πραγµατικό χρόνο» που χρηµατοδοτείται από το Ίδρυµα Προώθησης Έρευνας της Κύπρου, στα πλαίσια της «έσµης Προγραµµάτων». R-Square Σταθµός Υποβάθρου Αριθµός τάξης συνοπτικής κατάστασης ΣΧΗΜΑ 2. Συντελεστής συσχέτισης των δεδοµένων για τον σταθµό υποβάθρου. Οι τάξεις 10, 1, 4, 2, χαρακτηρίζονται ως ευνοϊκές. ΒΙΒΛΙΟΓΡΑΦΙΑ Costa MJ, Cervino M, Cattani E, Torricella F, Levizzani V, Silva AM and Melani S, 2002: Aerosol characterization and optical thickness retrievals using GOME and METEOSAT satellite data. Meteorology and Atmospheric Physics, 81 (3-4), Holben BN, Vermote E, Kaufman Y, Tanré D and Kalb V, 1992: Aerosol retrieval over land from AVHRR data Application for atmospheric correction. IEEE Transactions on Geoscience and Remote Sensing, 30, Kaufman YJ, Gobron N, Pinty B, Widlowski JL and Verstraete M, 2002: Relationship between surface reflectance in the visible and mid-ir used in MODIS aerosol algorithm - theory. Accepted for publication in Geophysical Research Letters. Kaufman YJ, Tanré D, Remer L et al, 1997: Remote Sensing of Tropospheric Aerosol from EOS-MODIS Over the Land Using Dark Targets and Dynamic Aerosol Models. Journal of Geophysical Research, 102,

6 Kohonen T, 1990: The Self-Organizing map. Proceedings of the IEEE (Neural Networks), vol. 78, no.9, Lin TH, Chen AJ, Liu GR and Kuo TH, 2002: Monitoring the atmospheric aerosol optical depth with SPOT data in complex terrain. International Journal of Remote Sensing, 23 (4), Michaelides SC, Pattichis CS and Kleovoulou G, 2001: Classification of rainfall variability by using artificial neural networks. International Journal of Climatology, 21, Michaelides SC, Liassidou F and Schizas CN, 2007: Synoptic classification and establishment of analogues with artificial neural networks. Pure and Applied Geophysics, 164, Paronis D and Sifakis N, 2003: Satellite aerosol optical thickness retrieval over land with contrast reduction analysis using a variable window size. IEEE International Geoscience & Remote Sensing Symposium (IGARSS) 2003, July 2003, Toulouse, France. Retalis A, Cartalis C and Athanassiou E, 1999: Assessment of the distribution of aerosols in the area of Athens with the use of Landsat Thematic Mapper data. International Journal of Remote Sensing, Vol. 20 (5), Retalis A, Sifakis N, Grosso N, Paronis D and. Sarigiannis D, 2003: Aerosol optical thickness retrieval from AVHRR images over the Athens urban area. IEEE International Geoscience & Remote Sensing Symposium (IGARSS) 2003, July 2003, Toulouse, France. Tanré D, Kaufman YJ, Herman M and Mattoo S, 1997: Remote sensing of aerosol over oceans from EOS-MODIS. Journal of Geophysical Research, 102, Wald L and Baleynaud JM., 1999: Observing air quality over the city of Nantes by means of Landsat thermal infrared data. International Journal of Remote Sensing, 5,