ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΙΣ ΠΕΡΙΒΑΛΛΟΝΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ «ΧΡΗΣΗ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΓΙΑ ΤΗΝ ΠΡΟΓΝΩΣΗ ΤΗΣ ΣΥΓΚΕΝΤΡΩΣΗΣ ΤΡΟΠΟΣΦΑΙΡΙΚΟΥ ΟΖΟΝΤΟΣ ΣΕ ΑΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ» ΛΥΜΠΕΡΟΠΟΥΛΟΥ ΚΥΡΙΑΚΗ Α.Μ. 99 Τριμελής Εξεταστική Επιτροπή: Αργυρίου Αθανάσιος, Επίκουρος Καθηγητής Τμήματος Φυσικής (επιβλέπων) Γιαννούλης Παναγιώτης, Καθηγητής Τμήματος Φυσικής Γκλαβάς Σωτήριος, Καθηγητής Τμήματος Χημείας ΠΑΤΡΑ, ΙΟΥΝΙΟΣ 2006
Θα ήθελα να εκφράσω τις ευχαριστίες μου προς το ΥΠΕΧΩΔΕ-ΕΑΡΘ για την χορήγηση των μετρήσεων ρύπανσης και το Ινστιτούτο Ερευνών Περιβάλλοντος & Βιώσιμης Ανάπτυξης του Εθνικού Αστεροσκοπείου Αθηνών για την χορήγηση των μετεωρολογικών δεδομένων. Θα ήθελα επίσης, να εκφράσω τις θερμές ευχαριστίες μου στον κ. Αργυρίου για την στήριξη και την ενθάρρυνση που μου πρόσφερε κατά την διάρκεια εκπόνησης της διπλωματικής μου εργασίας καθώς και στον κ. Γκλαβά για τις γνώσεις που μου παρείχε στο μάθημα της Ατμοσφαιρικής Χημείας που σαν αποτέλεσμα είχαν την ενασχόλησή μου με ένα τόσο ενδιαφέρον αντικείμενο. Παράλληλα θα ήθελα να ευχαριστήσω τον κ. Γιαννούλη για την προσφορά του στο συγκεκριμένο μεταπτυχιακό πρόγραμμα, που ευελπιστώ ότι θα συνεχιστεί κάτω από ακόμα καλύτερες προϋποθέσεις. Τέλος, θα ήθελα να πω ένα μεγάλο ευχαριστώ στο σύζυγό μου γιατί χωρίς την δική του παρότρυνση δεν θα είχα ποτέ ξεκινήσει την όλη προσπάθεια.
Στην Έλενα και τη Στέλλα που τόσο αγαπώ
ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ ΕΙΣΑΓΩΓΗ ΚΕΦΑΛΑΙΟ 1 ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ Εισαγωγή 5 Ατμοσφαιρική ρύπανση και νέφος 5 Εκπομπές ατμοσφαιρικών ρύπων 6 Μηχανισμοί σχηματισμού αέριων ρύπων 8 Επιπτώσεις της ατμοσφαιρικής ρύπανσης 10 ΚΕΦΑΛΑΙΟ 2 ΤΡΟΠΟΣΦΑΙΡΙΚΟ ΟΖΟΝ (Ο 3 ) Εισαγωγή 12 Η προέλευση του όζοντος της τροπόσφαιρας 12 Εποχική, εβδομαδιαία και ημερήσια διακύμανση των ρύπων σε μεγάλα αστικά κέντρα 14 Πηγές των πρωτογενών ρύπων που συντελούν στη δηµιουργία του Ο 3 16 Η σημασία του όζοντος στην ατμόσφαιρα 17 Διαβάθμιση του προβλήματος της Ατμοσφαιρικής ρύπανσης 17 Το τροποσφαιρικό όζον στην Ελλάδα-Μεσόγειο 19 Έλεγχος των NΟx ή/και των VOCs σαν μέσο ελάττωσης του σχηματιζόμενου όζοντος 21 ΚΕΦΑΛΑΙΟ 3 Η ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ ΣΤΗΝ ΑΘΗΝΑ Εισαγωγή 24 Το πρόβλημα της ατμοσφαιρικής ρύπανσης στο Λεκανοπέδιο της Αθήνας 24 Η επίδραση των τοπικών συστημάτων κυκλοφορίας στο Λεκανοπέδιο 25 Επίδραση μετεωρολογικών παραμέτρων στη ρύπανση 28 Όρια ποιότητας ατμόσφαιρας 29 Αντιμετώπιση επεισοδίων ατμοσφαιρικής ρύπανσης 30 Η Ελλάδα εμφανίζεται στις πρώτες θέσεις ρύπανσης μεταξύ των χωρών της Ε.Ε. όσον αφορά τη φωτοχημική ρύπανση 31 Στοιχεία διακύμανσης της ατμοσφαιρικής ρύπανσης 33 Μέτρα που έχουν ληφθεί για την αντιμετώπιση της ατμοσφαιρικής ρύπανσης στην περιοχή της Αθήνας 33 Σχέδια και προοπτικές αντιμετώπισης της ατμοσφαιρικής ρύπανσης 35 ΚΕΦΑΛΑΙΟ 4 ΜΑΘΗΜΑΤΙΚΑ ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ Εισαγωγή 37 i
Μοντέλα ποιότητας ατμόσφαιρας 37 Ανάγκη ύπαρξης μοντέλων βραχυπρόθεσμης πρόγνωσης των επιπέδων όζοντος 38 Μοντέλα βραχυπρόθεσμης πρόγνωσης των επιπέδων όζοντος 39 ΚΕΦΑΛΑΙΟ 5 ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ Εισαγωγή 43 Ο Φυσικός Νευρώνας 44 Ο ανθρώπινος εγκέφαλος 45 Λειτουργία του βιολογικού νευρώνα 45 Σύγκριση Φυσικών Νευρωνικών Δικτύων και Υπολογιστή 46 Τεχνητός νευρώνας - Το μοντέλο McCulloch-Pitts 46 Η μάθηση 48 Κατηγορίες Τεχνητών Νευρωνικών Δικτύων 51 Αρχιτεκτονικές Νευρωνικών Δικτύων 53 1. Αντιληπτήρας (Perceptron) 53 2. Το δίκτυο ADALINE 53 3. Πολυστρωματικά δίκτυα πρόσθιας τροφοδότησης 54 4. Πολυστρωματικά δίκτυα με ανατροφοδότηση 57 5. Τα δίκτυα RBF 58 6. Τα συσχετιστικά δίκτυα Hopfield και οι συσχετιστικές μνήμες BAM 60 7. Τα δίκτυα ανταγωνιστικής μάθησης 61 α) Ο αυτοοργανούμενος χάρτης Kohonen 62 β) Επιβλεπόμενη κατηγοριοποίηση με ανταγωνιστικά δίκτυα Learning Vector Quantization (LVQ) 64 ΚΕΦΑΛΑΙΟ 6 ΕΦΑΡΜΟΓΕΣ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΣΤΗΝ ΠΡΟΒΛΕΨΗ ΤΗΣ ΑΕΡΙΑΣ ΡΥΠΑΝΣΗΣ Εισαγωγή 66 Τρόποι αξιολόγησης ενός μοντέλου πρόβλεψης 66 Αναφορά και αξιολόγηση μοντέλων πρόβλεψης 68 ΚΕΦΑΛΑΙΟ 7 ΕΠΙΛΟΓΗ & ΠΡΟΕΠΕΞΕΡΓΑΣΙΑ ΔΕΔΟΜΕΝΩΝ ΕΙΣΟΔΟΥ Εισαγωγή 79 Επιλογή και ανάλυση των δεδομένων 79 Αξιολόγηση των μεταβλητών που θα ληφθούν υπόψη για τη διαμόρφωση του μοντέλου με την χρήση στατιστικής ανάλυσης 88 Προεπεξεργασία των δεδομένων 91 Διαπίστωση προβλημάτων στα δεδομένα 92 ΚΕΦΑΛΑΙΟ 8 ΔΗΜΙΟΥΡΓΙΑ & ΑΞΙΟΛΟΓΗΣΗ ΜΟΝΤΕΛΩΝ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΜΕ ΤΗΝ ΧΡΗΣΗ ΤΟΥ MATLAB Το MATLAB και οι δυνατότητες που προσφέρει 93 Επιλογή αρχιτεκτονικών και αξιολόγηση των αποτελεσμάτων 95 ii
A. Σταθμός Λυκόβρυσης 95 Β. Σταθμός Αμαρουσίου 112 ΕΠΙΛΟΓΟΣ 120 ΒΙΒΛΙΟΓΡΑΦΙΑ ΠΑΡΑΡΤΗΜΑ Ι ΕΚΘΕΣΗ ΤΟΥ ΥΠΕΧΩΔΕ ΓΙΑ ΤΗΝ ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ ΣΤΗΝ ΑΘΗΝΑ Δίκτυο σταθμών μέτρησης ατμοσφαιρικής ρύπανσης 1 Μετρούμενοι ρύποι και μέθοδοι μέτρησης 1 Χρονικές διακυμάνσεις των τιμών συγκεντρώσεων των μετρούμενων ρύπων 3 α) ιαχρονική μεταβολή των συγκεντρώσεων των ρύπων 3 β) Μηνιαία μεταβολή των συγκεντρώσεων των ρύπων 4 γ) Ημερήσια μεταβολή των συγκεντρώσεων των ρύπων 5 δ) Ωριαία μεταβολή των συγκεντρώσεων των ρύπων 6 Σύγκριση τιμών Ατμοσφαιρικής Ρύπανσης με όρια 6 Υπερβάσεις του ορίου ενημέρωσης 7 ΠΑΡΑΡΤΗΜΑ ΙΙ ΑΠΟΤΕΛΕΣΜΑΤΑ ΣΤΑΤΙΣΤΙΚΗΣ ΑΝΑΛΥΣΗΣ ΠΟΛΛΑΠΛΗΣ ΓΡΑΜΜΙΚΗΣ ΠΑΛΙΝΔΡΟΜΗΣΗΣ Σταθμός Λυκόβρυσης 1 Σταθμός Αμαρουσίου 8 ΠΑΡΑΡΤΗΜΑ ΙII ΕΝΔΕΙΚΤΙΚΑ ΠΑΡΑΔΕΙΓΜΑΤΑ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΠΟΥ ΧΡΗΣΙΜΟΠΟΙΗΘΗΚΑΝ ΣΤΟ MATLAB LVQ Times series forecasting 1 LVQ Times series forecasting 2 PNN Times series forecasting 2 SOM Times series forecasting 3 MLP Times series forecasting 4 iii
ΕΥΡΕΤΗΡΙΟ ΠΙΝΑΚΩΝ ΚΕΦΑΛΑΙΟ 3 Η ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ ΣΤΗΝ ΑΘΗΝΑ Πίνακας 1: Τιμές ορίων για το όζον, σύμφωνα με την οδηγία 2002/3/ΕΚ. 30 Πίνακας 2: Τα ρεκόρ στις μέγιστες μέσες ωριαίες τιμές όζοντος (σε μg/m 3 ) σε περιοχές της Ευρώπης το έτος 1996. 31 Πίνακας 3: Έκθεση του αστικού πληθυσμού στο όζον σε συγκεντρώσεις άνω του επιτρεπτού ορίου (σε αριθμό ημερών με εμφάνιση επεισοδίων ρύπανσης). 32 ΚΕΦΑΛΑΙΟ 4 ΜΑΘΗΜΑΤΙΚΑ ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ Πίνακας 4: Τρόπος αντιμετώπισης από διάφορες χώρες, επεισοδίων αυξημένων επιπέδων συγκεντρώσεων όζοντος το έτος 1997. 39 ΚΕΦΑΛΑΙΟ 5 ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ Πίνακας 5: Σύγκριση Φυσικών Νευρωνικών Δικτύων και Υπολογιστή. 46 ΚΕΦΑΛΑΙΟ 7 ΕΠΙΛΟΓΗ & ΠΡΟΕΠΕΞΕΡΓΑΣΙΑ ΔΕΔΟΜΕΝΩΝ ΕΙΣΟΔΟΥ Πίνακας 7: Οι 12 παράμετροι εισόδου που επιλέχθηκαν ως σημαντικότεροι στην πρόβλεψη της μέγιστης ωριαίας [O 3 ] της επόμενης μέρας. 80 Πίνακας 8: Καθορισμός του επιπέδου ρύπανσης λόγω όζοντος, σύμφωνα με τη μέγιστη ωριαία τιμή [O 3 ]. 82 Πίνακας 9: Σταθμός Λυκόβρυσης. Όλες οι ανεξάρτητες μεταβλητές που χρησιμοποιήθηκαν. 90 Πίνακας 10: Σταθμός Μαρούσι. Όλες οι ανεξάρτητες μεταβλητές που χρησιμοποιήθηκαν. 91 ΚΕΦΑΛΑΙΟ 8 ΔΗΜΙΟΥΡΓΙΑ & ΑΞΙΟΛΟΓΗΣΗ ΜΟΝΤΕΛΩΝ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΜΕ ΤΗΝ ΧΡΗΣΗ ΤΟΥ MATLAB Πίνακας 11: Διαχωρισμός τεσσάρων κλάσεων σύμφωνα με τα επίπεδα ρύπανσης. 95 Πίνακας 12: Διαχωρισμός δύο κλάσεων με βάση το επίπεδο ενημέρωσης του κοινού. 96 Πίνακας 13: Αντιστοίχηση επιπέδων ρύπανσης σε τιμές μέσα στο διάστημα [-1,1]. 99 Πίνακας 14: Σταθμός Λυκόβρυση. Παράμετροι διαφορετικών ενδεικτικών μοντέλων. 100 Πίνακας 15: Σταθμός Μαρούσι. Παράμετροι διαφορετικών ενδεικτικών μοντέλων. 112 Πίνακας 16: Σύγκριση αποτελεσμάτων με αντίστοιχες εργασίες σε σταθμούς μέτρησης του Λεκανοπεδίου της Αθήνας. 120 ΠΑΡΑΡΤΗΜΑ Ι ΕΚΘΕΣΗ ΤΟΥ ΥΠΕΧΩΔΕ ΓΙΑ ΤΗΝ ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ ΣΤΗΝ ΑΘΗΝΑ Πίνακας 1: Χαρακτηριστικά σταθμών μέτρησης ατμοσφαιρικής ρύπανσης περιοχής Αττικής. 2 Πίνακας 2: Μετρούμενοι ρύποι και μέθοδοι μέτρησης. 2 Πίνακας 3: Μέσες μηνιαίες τιμές Ο 3 σε 15 σταθμούς μέτρησης για το έτος 2004. 5 Πίνακας 4: Τιμές Ο 3 σε 8ωρη κυλιόμενη βάση σε μg/m 3 το έτος 2004. 6 Πίνακας 5: Τιμές Ο 3 σε ωριαία βάση σε μg/m 3 το έτος 2004. 7 i
ΕΥΡΕΤΗΡΙΟ ΣΧΗΜΑΤΩΝ ΚΕΦΑΛΑΙΟ 1 ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ Σχήμα 1: Φωτοχημικό νέφος στο σύγχρονο Los Angeles. 6 Σχήμα 2: Κατανομή των ανθρωπογενών πηγών και των αέριων ρύπων που εκπέμπονται από αυτές στην ατμόσφαιρα. 7 Σχήμα 3: Η τάση των εκπομπών του διοξειδίου του θείου (SO 2 ) και των οξειδίων του αζώτου (NO x ) στις χώρες της Ευρωπαϊκής Ένωσης. 8 Σχήμα 4: Σχηματική περιγραφή των ατμοσφαιρικών διεργασιών που επηρεάζουν τη διασπορά των ρύπων. 9 ΚΕΦΑΛΑΙΟ 2 ΤΡΟΠΟΣΦΑΙΡΙΚΟ ΟΖΟΝ (Ο 3 ) Σχήμα 5: Σχηματική παράσταση που δείχνει την προέλευση του όζοντος της τροπόσφαιρας. 13 Σχήμα 6: Σχηματισμός και καταστροφή του όζοντος. 13 Σχήμα 7: Μια ημερήσια μεταβολή των ρύπων ΝΟ, ΝΟ 2 και Ο 3 στο Los Angeles. 15 Σχήμα 8: Ανθρωπογενείς πηγές των NOx και των VOCs σύμφωνα με την U.S. EPA. 16 Σχήμα 9: Το όζον με τη βοήθεια του ανέμου μπορεί και μεταφέρεται εκατοντάδες χιλιόμετρα μακριά από την περιοχή σχηματισμού του. 18 Σχήμα 10: Χωρική και χρονική κλιμάκωση διαφόρων ατμοσφαιρικών οντοτήτων. 18 Σχήμα 11: Χρονική εξέλιξη των συγκεντρώσεων όζοντος κατά τη διάρκεια του 20 ου αιώνα σε διάφορες τοποθεσίες της Δυτικής Ευρώπης απομακρυσμένες από κοντινές πηγές ρύπανσης. 19 Σχήμα 12: Κατανομή της ολικής στήλης του τροποσφαιρικού όζοντος στις 28/6/1992 από μετρήσεις δορυφόρου πάνω από τη Μεσόγειο. 20 Σχήμα 13: Αποτελέσματα τρισδιάστατου μαθηματικού μοντέλου για την κατανομή του όζοντος κοντά στο έδαφος πάνω από την Ευρώπη τον μήνα Ιούλιο. 21 Σχήμα 14: Ένα διάγραμμα ισοπληθών όζοντος ως συνάρτηση των αρχικών συγκεντρώσεων NΟx από τα VOCs. 22 ΚΕΦΑΛΑΙΟ 3 Η ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ ΣΤΗΝ ΑΘΗΝΑ Σχήμα 15: Μηχανισμοί θαλάσσιας και απόγειας αύρας. 25 Σχήμα 16: Χάρτης της περιοχής του Λεκανοπεδίου της Αθήνας. 26 Σχήμα 17: Χάρτης με τα επίπεδα συγκεντρώσεων όζοντος (σε μg/m 3 ) στο Λεκανοπέδιο της Αθήνας. 27 Σχήμα 18: Μέσες ωριαίες συγκεντρώσεις όζοντος σε 5 σταθμούς μέτρησης του Λεκανοπεδίου της Αθήνας σε τρεις ημέρες που επικρατούν διαφορετικές καιρικές συνθήκες. 28 Σχήμα 19: Επεξήγηση της εφαρμογής της τιμής στόχου και οριακής τιμής με βάση τις οδηγίες της Ε.Ε. 30 ΚΕΦΑΛΑΙΟ 5 ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ Σχήμα 20: Ο Φυσικός νευρώνας. 44 Σχήμα 21: Μοντέλο McCulloch-Pitts. Ένας νευρώνας με πολλές εισόδους (1,2,,n-1,n), αντίστοιχα βάρη (w 1, w 2,..., w n ), και μία έξοδο. 46 i
Σχήμα 22: Ένα αντιπροσωπευτικό νευρωνικό δίκτυο πλήρως συνδεδεμένο, με ένα κρυφό επίπεδο. 51 Σχήμα 23: Κατηγοριοποίηση νευρωνικών δικτύων σε δίκτυα πρόσθιας τροφοδότησης και δίκτυα ανατροφοδότησης-ανάδρασης. 52 Σχήμα 24: Κατηγοριοποίηση τεχνητών νευρωνικών δικτύων σε εκπαιδευόμενα και σε δίκτυα με σταθερά βάρη. 52 Σχήμα 25: Παραδείγματα γραμμικώς και μη-γραμμικώς διαχωρίσιμων προβλημάτων. 53 Σχήμα 26: Ενδεικτικά παραδείγματα τυπικού πολυστρωματικού δικτύου πρόσθιας τροφοδότησης. 54 Σχήμα 27: Τυπικό δίκτυo Elman. 57 Σχήμα 28: Παραδείγματα συναρτήσεων Ακτινικού τύπου. 58 Σχήμα 29: Ένα τυπικό RBF δίκτυο. 59 Σχήμα 30: Βασική δομή στοχαστικού νευρωνικού δικτύου. 60 Σχήμα 31: Βασική δομή συσχετιστικού δικτύου Hopfield. 61 Σχήμα 32: Βασική δομή δικτύου LVQ. 65 ΚΕΦΑΛΑΙΟ 6 ΕΦΑΡΜΟΓΕΣ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΣΤΗΝ ΠΡΟΒΛΕΨΗ ΤΗΣ ΑΕΡΙΑΣ ΡΥΠΑΝΣΗΣ Σχήμα 33: Αποτελέσματα των MLP μοντέλων με φανερή την απόκλιση στις υψηλές [Ο 3 ]. 69 Σχήμα 34: Συγκριτικό διάγραμμα των τριών μοντέλων στην πόλη του Huston, το διάστημα από 1-10 Οκτωβρίου 1994. 70 Σχήμα 35: Η στατιστική ανάλυση έδειξε την γραμμική σχέση του O 3 ως προς το λόγο NO 2 /NO. 72 Σχήμα 36: Ενδεικτικό παράδειγμα της ικανότητας πρόβλεψης των επιπέδων όζοντος των τριών μοντέλων. 73 Σχήμα 37: Συγκριτικό διάγραμμα των προβλέψεων ως προς τις παρατηρήσεις για τα έτη 1998-2001. 75 Σχήμα 38: Διάρκεια των επεισοδίων ρύπανσης που προβλέφθηκαν και αυτών που παρατηρήθηκαν τον Ιούλιο του 2001. 75 Σχήμα 39: Αποτελέσματα των προβλέψεων της [Ο 3 ] σε μg/m 3 σε δύο σταθμούς μέτρησης στην πόλη του Μεξικού. 76 Σχήμα 40: Συγκριτικό διάγραμμα των προβλέψεων ως προς τις παρατηρήσεις των [Ο 3 ] σε μg/m 3 με φανερή την απόκλιση στις υψηλές [Ο 3 ]. 78 ΚΕΦΑΛΑΙΟ 7 ΕΠΙΛΟΓΗ & ΠΡΟΕΠΕΞΕΡΓΑΣΙΑ ΔΕΔΟΜΕΝΩΝ ΕΙΣΟΔΟΥ Σχήμα 41: Σταθμός Λυκόβρυση. Μέση τιμή των μέγιστων ωριαίων [Ο 3 ] ανά ημέρα της εβδομάδας. 81 Σχήμα 42: Σταθμός Μαρούσι. Μέση τιμή των μέγιστων ωριαίων [Ο 3 ] ανά ημέρα της εβδομάδας. 81 Σχήμα 43: Σταθμός Λυκόβρυση. Αριθμός ημερών ανά επίπεδο ρύπανσης λόγω όζοντος στο διάστημα 1994-1999. 82 Σχήμα 44: Σταθμός Λυκόβρυση. Ποσοστά ανά επίπεδο ρύπανσης λόγω όζοντος στο διάστημα 1994-1999. 83 Σχήμα 45: Σταθμός Λυκόβρυση. Αριθμός ημερών ανά επίπεδο ρύπανσης λόγω όζοντος, ανά μήνα στο διάστημα 1994-1999. 84 Σχήμα 46: Σταθμός Λυκόβρυση. Αριθμός επεισοδίων ανά έτος (μέγιστη ωριαία [Ο 3 ] μεγαλύτερη ή ίση από 180 μg/m 3 ), στο διάστημα 1994-1999. 84 Σχήμα 47: Σταθμός Μαρούσι. Αριθμός ημερών ανά επίπεδο ρύπανσης λόγω όζοντος στο διάστημα 1993-1997. 85 Σχήμα 48: Σταθμός Μαρούσι. Ποσοστά ανά επίπεδο ρύπανσης λόγω όζοντος στο διάστημα 1993-1997. 85 ii
Σχήμα 49: Σταθμός Μαρούσι. Αριθμός ημερών ανά επίπεδο ρύπανσης λόγω όζοντος, ανά μήνα στο διάστημα 1993-1997. 86 Σχήμα 50: Σταθμός Μαρούσι. Αριθμός επεισοδίων ανά έτος (μέγιστη ωριαία [Ο 3 ] μεγαλύτερη ή ίση από 180 μg/m 3 ), στο διάστημα 1993-1996. 87 Σχήμα 51: Σταθμός Λυκόβρυση. Μεταβολή των μέγιστων ωριαίων [Ο 3 ] κατά την διάρκεια ενός 24ώρου. 87 Σχήμα 52: Σταθμός Λυκόβρυση. Συγκριτικό διάγραμμα των μέγιστων ωριαίων συγκεντρώσεων Ο 3 με τις συγκεντρώσεις των ΝΟ και ΝΟ 2, με στοιχεία της 1 ης Οκτωβρίου 1998. 88 ΚΕΦΑΛΑΙΟ 8 ΔΗΜΙΟΥΡΓΙΑ & ΑΞΙΟΛΟΓΗΣΗ ΜΟΝΤΕΛΩΝ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΜΕ ΤΗΝ ΧΡΗΣΗ ΤΟΥ MATLAB Σχήμα 53: Παράδειγμα αποτελεσμάτων όπου Α οι προβλεφθείσες τιμές (predicted) και Τ οι μετρηθείσες τιμές (measured) μέγιστης ωριαίας [Ο 3 ] της επόμενης μέρας. 97 Σχήμα 54: Παράδειγμα αποτελεσμάτων όπου Α οι προβλεφθείσες τιμές (predicted) και Τ οι μετρηθείσες τιμές (measured) μέγιστης ωριαίας [Ο 3 ] της επόμενης μέρας. 98 ΠΑΡΑΡΤΗΜΑ Ι ΕΚΘΕΣΗ ΤΟΥ ΥΠΕΧΩΔΕ ΓΙΑ ΤΗΝ ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ ΣΤΗΝ ΑΘΗΝΑ Σχήμα 1: ιαχρονική μεταβολή μέσων ετήσιων τιμών Ο 3 σε μg/m 3 στους σταθμούς Πατησίων, Αθηνάς, Πειραιά, Γεωπονική, Περιστέρι, Ν. Σμύρνη, Μαρούσι, Λυκόβρυση και Λιόσια. 4 Σχήμα 2: Μέσες μηνιαίες τιμές Ο 3 στο σταθμό Λιόσια για το έτος 2004. 5 Σχήμα 3: Ημερήσια μεταβολή συγκεντρώσεων Ο 3 στο σταθμό Λιόσια για το έτος 2004. 5 Σχήμα 4: Ωραία μεταβολή Ο 3 στο σταθμό Λιόσια για το έτος 2004. 6 Σχήμα 5: Αριθμός ημερών για το έτος 2004 με ωριαία τιμή όζοντος μεγαλύτερη από 180 μg/m 3. 7 iii
Use of Artificial Neural Networks in the forecasting of Tropospheric O 3 concentration in urban areas This study deals with the use of artificial neural networks for ground-level ozone modeling in the Athens area. Forecasting next day s maximum hourly ozone concentration is an important topic of air quality research today. The continuing worldwide environmental problem suggests the need for more accurate forecasting models. Development of such models is a difficult task as the meteorological variables and the photochemical reactions involved in ozone formation are complex. Meteorological variables and concentrations of ozone and ozone precursors, from two monitoring stations Lykovrisi and Marousi, are used as inputs in order to obtain the best estimate of the next day s maximum hourly ozone concentration. The violation of the European public information threshold (ozone episode) defined by control authorities, of 180 μg/m 3 is successfully predicted in most cases. Neural networks seem to be very well situated since they allow for nonlinear relations among input variables. Several architectures of Neural Networks were tested but Multi-Layer Perceptrons (MLPs) came up with the best results. At Lykovrisi monitoring station the Success Index (SI) that is able to represent performance in forecasting exceedances as well as the overall goodness between predicted and measured data, varied from 0.943 to 0.831 and the fraction of False Alarms (FA) that represents predicted episodes that didn t happen to the overall number of predicted episodes, varied from 0 to 0.014. At Marousi monitoring station the SI, varied from 0.777 to 0.68 and the fraction of False Alarms (FA) ) from 0.211 to 0.234. Keywords: Forecasting O 3 episodes, neural networks, Athens
ΕΙΣΑΓΩΓΗ Η ανάλυση και η πρόβλεψη των επιπέδων της ατμοσφαιρικής ρύπανσης, είναι σημαντικά θέματα της ατμοσφαιρικής και περιβαλλοντικής έρευνας, λόγω του αντίκτυπου που έχει η ατμοσφαιρική ρύπανση στην υγεία και την ποιότητα ζωής του ανθρώπου. Ένας από τους πιο σημαντικούς ρύπους 1 είναι το τροποσφαιρικό όζον (O 3 ), και ειδικότερα το όζον του κατώτερου οριακού στρώματος της ατμόσφαιρας (επιφανειακό ή surface ozone) και είναι ευρέως γνωστό ότι υψηλές συγκεντρώσεις τροποσφαιρικoύ O 3 αποτελούν κίνδυνο 1,2 για την ανθρώπινη υγεία και επηρεάζουν δυσμενώς τη βλάστηση και τα οικοσυστήματα. Επομένως, η πρόβλεψη της συγκέντρωσης του όζοντος και ειδικά του επιφανειακού όζοντος στις πυκνοκατοικημένες αστικές περιοχές, είναι μεγάλης σπουδαιότητας για τον έλεγχο και τη βελτίωση της ποιότητας της ατμόσφαιρας. Στην Ευρώπη, οι συγκεντρώσεις O 3 στο κατώτερο ατμοσφαιρικό οριακό στρώμα της τροπόσφαιρας 2 έχουν αυξηθεί κατά 1-2% ετησίως κατά τη διάρκεια των τελευταίων 20 ετών και δε διαφαίνεται καμία ένδειξη σταθεροποίησης τους. Επιδημιολογικές μελέτες στα τέλη της δεκαετίας του '90 έδειξαν αύξηση της θνησιμότητας, κυρίως ατόμων που ανήκουν σε ευπαθείς ομάδες όταν το επιφανειακό όζον παρουσίαζε υψηλές συγκεντρώσεις. Η αυξανόμενη σημασία του O 3 ως παραμέτρου ατμοσφαιρικής ποιότητας έχει αναγκάσει την Ευρωπαϊκή Ένωση (EU) να λάβει νομοθετικά μέτρα που θέτουν συγκεκριμένα όρια και πρότυπα ποιότητας ατμοσφαιρικού αέρα. Μια νέα οδηγία, η 2002/3/EC της Ευρωπαϊκής Επιτροπής 1,3 σχετικά με τα επίπεδα όζοντος τέθηκε σε ισχύ το Μάρτιο του 2002. Το κατώτατο όριο ενημέρωσης του κοινού των 180 μg/m 3 ή 0,09 ppm και το κατώτατο όριο συναγερμού των 360 μg/m 3 ή 0,18 ppm παρέμειναν τα ίδια σύμφωνα με την παλαιά οδηγία και ένα νέο κατώτατο όριο των 240μg/m 3 ή 0,12 ppm καθορίζεται ως η μέγιστη τιμή για τρεις συνεχόμενες ώρες. Στο τέλος του καλοκαιριού του 2003, τα κράτη μέλη θα έπρεπε να έχουν ενσωματώσει αυτή τη νέα οδηγία στην εθνική νομοθεσία τους καταργώντας παράλληλα την παλαιά οδηγία. Η καθιέρωση ενημέρωσης κοινού καθώς και μέτρων αντιμετώπισης σε περιπτώσεις που οι οριακές τιμές όζοντος ξεπερνιούνται πέρα από ένα συγκεκριμένο χρονικό διάστημα, έχει αυξήσει τη ανάγκη αποτελεσματικών βραχυπρόθεσμων μοντέλων πρόβλεψης. Το όζον είναι ένα φωτοχημικό οξειδωτικό και αποτελεί βασικό δείκτη φωτοχημικής ρύπανσης των αστικών κέντρων. Το όζον προκύπτει 3,4 από χημικές αντιδράσεις που συμβαίνουν στην ατμόσφαιρα και διαμορφώνεται όταν αλληλεπιδρούν οι αρχικοί ρύποι (πρόδρομες ενώσεις) στο πλαίσιο της επίδρασης των κατάλληλων μετεωρολογικών συνθηκών. Αυτοί οι αρχικοί ρύποι εκπέμπονται κατά ένα μεγάλο μέρος από βιομηχανίες και οχήματα και ανήκουν σε δύο ομάδες: τα οξείδια του αζώτου (NOx), και μια σειρά υδρογονανθράκων (πλην μεθανίου) που περιλαμβάνουν τις πτητικές οργανικές ενώσεις (VOCs). Η υπεριώδης ακτινοβολία αναγκάζει τις πρόδρομες ενώσεις να αλληλεπιδράσουν φωτοχημικά σε ένα σύνολο αντιδράσεων που οδηγούν στο σχηματισμό του όζοντος. Ένα μέρος του όζοντος καταστρέφεται ταυτόχρονα μέσω της αντίδρασής του με το ΝΟ. 1
NOx + VOCs +UV O 3 λ < 420 nm O 3 + NO NO 2 + O 2 Στις τυπικές αστικές περιοχές, τουλάχιστον 50% των VOCs και NOx προέρχεται από την κυκλοφορία οχημάτων (αυτοκίνητα, λεωφορεία, φορτηγά) και από άλλες κινητές πηγές. 3 Τα τελευταία χρόνια, σημαντικές προσπάθειες έγιναν για τον έλεγχο των εκπομπών VOCs και NOx για τη μείωση των συγκεντρώσεων όζοντος σε μεγάλα αστικά κέντρα, όπου τα μέγιστα αποδεκτά επίπεδα παραβιάζονται συχνά. Για παράδειγμα, τα εθνικά περιβαλλοντικά πρότυπα των Ηνωμένων Πολιτειών από το 1978 έως το 1997 για την ατμοσφαιρική ποιότητα απαιτούσαν το επίπεδο όζοντος να μην υπερβαίνει τα 0,12 ppm (μέγιστη ωριαία τιμή) περισσότερο από μία φορά το χρόνο για μια περίοδο τριών ετών. Το 1997 η Environmental Protection Agency (ΕΡΑ) αναθεώρησε τα πρότυπα ατμοσφαιρικής ποιότητας λαμβάνοντας υπόψη πρόσφατες μελέτες επιδράσεων στην ανθρώπινη υγεία που έδειχναν ότι η αναπνευστική ζημιά μπορεί να εμφανιστεί και σε χαμηλότερες συγκεντρώσεις όζοντος. Το νέο όριο τέθηκε στα 0,06 ppm ή 120μg/m 3 για έκθεση διάρκειας 8 ωρών, περισσότερο από οκτώ φορές το χρόνο για μια περίοδο τριών ετών. Επομένως η ανάπτυξη αποτελεσματικών στρατηγικών προειδοποίησης και η αξιόπιστη πρόβλεψη των συγκεντρώσεων επιφανειακού όζοντος, ειδικά στις πυκνοκατοικημένες αστικές περιοχές, είναι ουσιαστική. Τα υψηλά επίπεδα συγκέντρωσης επιφανειακού Ο 3 συσχετίζονται 5,6 με ήπιους ανέμους, υψηλές θερμοκρασίες και έντονη ηλιοφάνεια. Οι κυριότερες παράμετροι που λαμβάνονται ως δεδομένα εισόδου στα μοντέλα πρόβλεψης είναι η ταχύτητα και η διεύθυνση του ανέμου, οι συγκεντρώσεις των NO και ΝΟ 2, η θερμοκρασία, η σχετική υγρασία και η ένταση της ηλιακής ακτινοβολίας. Την τελευταία δεκαετία αναπτύχθηκαν ή βελτιώθηκαν σύγχρονες μεθοδολογίες πληροφορικής οι οποίες μπορούν να συνεισφέρουν σημαντικά τόσο στην κατανόηση όσο και στην αποτελεσματική διαχείριση και παρουσίαση των περιβαλλοντικών παραμέτρων. Μέχρι σήμερα, αν και διάφορα μοντέλα πρόβλεψης όζοντος έχουν ερευνηθεί, υπάρχει ακόμα η ανάγκη για ακριβέστερα μοντέλα, 1,7 έτσι ώστε να αναπτυχθούν αποτελεσματικές στρατηγικές πρόληψης και ελέγχου. Η ανάπτυξη τέτοιων μοντέλων είναι δύσκολη 8 επειδή οι μετεωρολογικοί παράγοντες και οι φωτοχημικές αντιδράσεις που λαμβάνουν χώρα στο σχηματισμό του όζοντος είναι πολύ σύνθετες. 7,9 Οι στόχοι της μέχρι τώρα έρευνας είναι: να δημιουργηθούν συστήματα υποστήριξης αποφάσεων που να επιτρέπουν στους υπεύθυνους για την ποιότητα του περιβάλλοντος, να εξετάζουν τα εναλλακτικά σενάρια εκπομπής, προκειμένου να σκιαγραφηθούν οι κατάλληλες στρατηγικές μείωσης των ρύπων, και να υπάρξουν συστήματα πρόβλεψης και συναγερμών για υψηλά επίπεδα συγκέντρωσης επιφανειακού όζοντος στα μεγάλα αστικά κέντρα. Μέχρι πρότινος, τέτοιες προβλέψεις βασίζονταν σε στατιστικά μοντέλα (ντετερμινιστικά ή μοντέλα παλινδρόμησης) και οι σχέσεις μεταξύ των μετεωρολογικών παραγόντων και των συγκεντρώσεων των ατμοσφαιρικών ρύπων λαμβάνονταν ως γραμμικές, ενώ στην πραγματικότητα κάτι τέτοιο δεν ισχύει, οδηγώντας σε αποκλίσεις προβλέψεων. Τα Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks-ΑΝΝ) εκμεταλλεύονται τον αυξημένο όγκο και την ποικιλία των διαθέσιμων δεδομένων και με τη βοήθεια κατάλληλου πλαισίου, εντοπίζουν τις συσχετίσεις των επιμέρους παραγόντων και 2
διαμορφώνουν υποδείγματα για την ανάλυση, την εξέλιξη και την πρόβλεψη τάσεων της επιζητούμενης ατμοσφαιρικής ρύπανσης. Τα Τεχνητά Νευρωνικά Δίκτυα αποτελούν μια πολύ καλή εναλλακτική λύση ως προς τις παραδοσιακές στατιστικές τεχνικές, σε πολλούς επιστημονικούς τομείς. Στόχος ενός τεχνητού νευρωνικού δικτύου μπορεί να είναι ο προσδιορισμός μελλοντικών καταστάσεων ή τιμών ενός γεγονότος για το οποίο είναι διαθέσιμα διαχρονικά δεδομένα αφού πρώτα εκπαιδευτεί κατάλληλα. Αντικείμενο της παρούσας διπλωματικής εργασίας είναι να προτείνει ένα αξιόπιστο μοντέλο πρόβλεψης με την ανάπτυξη κατάλληλου νευρωνικού δικτύου το οποίο θα επιτρέπει την πρόγνωση της μέγιστης ημερήσιας συγκέντρωσης του τροποσφαιρικού όζοντος σε αστικό περιβάλλον. Σκοπό έχει να συμβάλει στην ανάπτυξη εναλλακτικών στρατηγικών διαχείρισης και συμμόρφωσης με ισχύοντα πρότυπα ποιότητας της ατμόσφαιρας, μέσα από τη μελέτη της συμπεριφοράς του όζοντος στην περιοχή του Λεκανοπεδίου της Αθήνας. Χρησιμοποιήθηκαν χρονοσειρές συγκέντρωσης όζοντος και οξειδίων του αζώτου από το σταθμό της Λυκόβρυσης και του Αμαρουσίου, καθώς και μετεωρολογικά δεδομένα που σχετίζονται με την δημιουργία, καταστροφή και διασπορά ή διάχυση του όζοντος, με στόχο να προταθεί ένα νευρωνικό δίκτυο, βελτιστοποιημένο έτσι ώστε να προγιγνώσκει τη μέγιστη τιμή της [Ο 3 ] κατά το χρονικό βήμα t+1, το οποίο θα χρησιμοποιεί ως δεδομένα τιμές της [Ο 3 ] ή και άλλων ρύπων οι οποίοι επιδρούν στο σχηματισμό του Ο 3, καθώς και τιμές μετεωρολογικών παραμέτρων, μετρημένων κατά το χρονικό βήμα t, t-1, t-2, Κατά τη βελτιστοποίηση του νευρωνικού δικτύου, θα δοθεί έμφαση στην κατά το δυνατόν ακριβέστερη πρόγνωση των αυξημένων τιμών της [Ο 3 ] (επεισόδια ρύπανσης), για τις οποίες απαιτείται η λήψη εκτάκτων μέτρων. Απώτερος στόχος είναι η επιχειρησιακή χρησιμοποίηση του νευρωνικού αυτού δικτύου. Τα ενδιάμεσα βήματα της εργασίας είναι τα ακόλουθα: Επιλογή των χρονοσειρών [Ο 3 ] και λοιπών παραμέτρων, οι οποίες θα χρησιμοποιηθούν για την ανάπτυξη και την επαλήθευση (validation) του νευρωνικού δικτύου. Δοκιμή διαφόρων αρχιτεκτονικών και δομών νευρωνικών δικτύων με στόχο τον εντοπισμό του βέλτιστου, ως προς το στόχο μας, μοντέλου. Τελικός έλεγχος του προταθέντος μοντέλου ως προς την αποτελεσματική πρόγνωση επεισοδίων αυξημένων τιμών [Ο 3 ]. Δημιουργία αυτόνομου λογισμικού, το οποίο θα μπορεί να χρησιμοποιηθεί για επιχειρησιακούς σκοπούς. Στο Κεφάλαιο 1 παρουσιάζονται βασικά στοιχεία ατμοσφαιρικής ρύπανσης με ιδιαίτερη αναφορά στο φωτοχημικό νέφος, στις πηγές, στους μηχανισμούς σχηματισμού και διάχυσης ατμοσφαιρικών ρύπων καθώς και στις επιπτώσεις της ατμοσφαιρικής ρύπανσης. Το Κεφάλαιο 2 αναφέρεται στο τροποσφαιρικό όζον (Ο 3 ), στην προέλευσή του, στον τρόπο σχηματισμού και καταστροφής του, στους πρωτογενείς ρύπους που επιδρούν στον σχηματισμό του και στις πηγές τους, στην εποχική, μηνιαία και εβδομαδιαία διακύμανση των σχετικών ρύπων καθώς και στην σημασία του όζοντος στην ατμόσφαιρα. Επίσης 3
διερευνάται πως ο έλεγχος των NΟx ή/και των VOCs λειτουργεί σαν μέσο ελάττωσης του σχηματιζόμενου όζοντος. Στο Κεφάλαιο 3 γίνεται μια εκτενής αναφορά στο πρόβλημα της ατμοσφαιρικής ρύπανσης της Αθήνας, στα όρια ποιότητας ατμόσφαιρας που έχουν τεθεί, στα μέτρα που έχουν ληφθεί αλλά και στα σχέδια και τις προοπτικές αντιμετώπισης της ατμοσφαιρικής ρύπανσης στην περιοχή. Η επίδραση των τοπικών συστημάτων κυκλοφορίας στο Λεκανοπέδιο αλλά και των μετεωρολογικών παραγόντων, έχουν σαν αποτέλεσμα η Ελλάδα να εμφανίζεται στις πρώτες θέσεις μεταξύ των χωρών της Ε.Ε. όσον αφορά τη φωτοχημική ρύπανση. Στο Κεφάλαιο 4 διαπιστώνεται η ανάγκη ύπαρξης μοντέλων ποιότητας ατμόσφαιρας και ειδικότερα μοντέλων βραχυπρόθεσμης πρόγνωσης των επιπέδων όζοντος και γίνεται μια αναφορά στις διάφορες μεθόδους οι οποίες έχουν κατά καιρούς προταθεί. Στα πλαίσια της σωστής διαχείρισης της ποιότητας της ατμόσφαιρας μιας περιοχής, ο αξιόπιστος προσδιορισμός της αναμενόμενης συχνότητας εμφάνισης μέγιστων συγκεντρώσεων αέριων ρύπων έχει ιδιαίτερη σημασία και αποτελεί πρωταρχική αναγκαιότητα. Το Κεφάλαιο 5 αναφέρεται στις εφαρμογές και στους τομείς που έχουν χρησιμοποιηθεί τα Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ), στην δομή και στους τρόπους μάθησης των ΤΝΔ και γίνεται μια κατηγοριοποίηση με βάση την αρχιτεκτονική τους αλλά και τον τρόπο εκπαίδευσή τους. Στην συνέχεια παρουσιάζονται αναλυτικά οι πιο βασικές αρχιτεκτονικές νευρωνικών δικτύων. Στο Κεφάλαιο 6 παρατίθενται οι τρόποι αξιολόγησης ενός μοντέλου πρόβλεψης ατμοσφαιρικής ρύπανσης και γίνεται αναφορά και σχετική αξιολόγηση σε εργασίες άλλων που χρησιμοποίησαν κυρίως τεχνητά νευρωνικά δίκτυα αλλά και στατιστικά μοντέλα για την πρόβλεψη των επιπέδων όζοντος αλλά και άλλων ρύπων. Στο Κεφάλαιο 7 γίνεται η επιλογή και η ανάλυση των παραμέτρων οι οποίες θα χρησιμοποιηθούν για την ανάπτυξη και την επαλήθευση των νευρωνικών δικτύων. Επίσης πραγματοποιείται αξιολόγηση των μεταβλητών που θα ληφθούν υπόψη για τη διαμόρφωση του μοντέλου μέσω στατιστικής ανάλυσης πολλαπλής γραμμικής παλινδρόμησης με την χρήση του πακέτου SPSS και ακολουθεί ο τρόπος προεπεξεργασίας των δεδομένων εισόδου. Στο Κεφάλαιο 8 παρουσιάζονται τα μοντέλα Νευρωνικών δικτύων που δημιουργήθηκαν με χρήση του Matlab, για την πρόβλεψη της μέγιστης ωριαίας συγκέντρωσης Ο 3 της επόμενης μέρας, για τους σταθμούς μέτρησης της Λυκόβρυσης και του Αμαρουσίου. Γίνεται η επιλογή των κατάλληλων αρχιτεκτονικών νευρωνικών δικτύων, η επιλογή των παραγόντων που καθορίζουν ένα νευρωνικό δίκτυο και η αξιολόγηση της απόδοσης των δικτύων ως προς την ικανότητα σωστών προβλέψεων. Τέλος στον Επίλογο καταγράφονται κάποια επιπλέον συμπεράσματα και προτείνονται βελτιώσεις. Στο Παράρτημα Ι παρατίθεται τμήμα της Έκθεσης του ΠΕΡΠΑ για το έτος 2004 που σχετίζεται με το Ο 3, στο Παράρτημα ΙΙ τα αποτελέσματα της πολλαπλής γραμμικής παλινδρόμησης με την χρήση του πακέτου SPSS και στο Παράρτημα ΙΙΙ δίνονται κάποια ενδεικτικά παραδείγματα νευρωνικών δικτύων που κατασκευάστηκαν με χρήση του Matlab. 4
ΕΠΙΛΟΓΟΣ Σύμφωνα με την τρέχουσα λογική των εθνικών προτύπων ατμοσφαιρικής ρύπανσης ή των σχετικών οδηγιών διεθνών οργανισμών, για αποτίμηση της ποιότητας της ατμόσφαιρας συνήθως ορίζεται μια μέγιστη συγκέντρωση με συγκεκριμένο χρόνο αναφοράς και η επιτρεπόμενη αναμενόμενη συχνότητα υπέρβασής της. Αυτό συμβαίνει γιατί όπως είναι γνωστό οι αρνητικές επιδράσεις της ατμοσφαιρικής ρύπανσης εξαρτώνται από τα επίπεδα συγκέντρωσης αλλά και από το συνολικό χρονικό διάστημα που οι υψηλές συγκεντρώσεις είναι δυνατό να εμφανιστούν. Επομένως η εξέταση συμπεριφοράς των μέγιστων (ακραίων τιμών) και της συχνότητας υπερβάσεων αποτελεί σημαντικό στόχο του προγράμματος παρακολούθησης ατμοσφαιρικής ρύπανσης. Στην ανώτερη ατμόσφαιρα, την στρατόσφαιρα, το όζον έχει ευεργετικό ρόλο γιατί απορροφά τις υπεριώδεις ακτινοβολίες (UV), προστατεύοντας μας έτσι από τις βλαβερές ακτίνες του ήλιου. Στο κατώτερο στρώμα της ατμόσφαιρας, την τροπόσφαιρα, το όζον σχηματίζεται σαν δευτερογενής ρύπος, ως αποτέλεσμα χημικών αντιδράσεων μεταξύ του οξυγόνου, πτητικών οργανικών ενώσεων (VOCs), και οξειδίων του αζώτου (NOx) με τη βοήθεια της ηλιακής ακτινοβολίας. Υψηλές συγκεντρώσεις όζοντος στην ατμόσφαιρα είναι δυνατό να προκαλέσει προβλήματα υγείας, μείωση της αγροτικής παραγωγής και δασικής βλάστησης, καθώς και καταστροφή υλικών. Η ελαχιστοποίηση των συγκεντρώσεων όζοντος σε επίπεδα μη επιβλαβή προς το περιβάλλον ή τον άνθρωπο προϋποθέτει σχεδιασμό και εφαρμογή στρατηγικών για περικοπές των εκπομπών ΝΟx και VOCs σε ολόκληρη την Ευρώπη. Η οδική κυκλοφορία παραμένει ο βασικός παράγοντας που επιδρά επιβαρυντικά στην ποιότητα αέρα στις Ευρωπαϊκές πόλεις. Το όζον σε αντίθεση με άλλους ρύπους, παρατηρείται σε υψηλότερες συγκεντρώσεις όχι στο κέντρο των πόλεων αλλά στην περιφέρεια. Στο κέντρο της πόλης η συγκέντρωσή του είναι χαμηλότερη, καθώς καταστρέφεται από τα άλλα συστατικά του νέφους. Η διαχείριση του ελέγχου και των δημόσιων στρατηγικών προειδοποίησης για τα επίπεδα όζοντος στις πυκνοκατοικημένες περιοχές απαιτεί τις ακριβείς προβλέψεις των επιπέδων ρύπανσης. Ο τελικός στόχος είναι να παραχθεί ένα ποσοτικό εργαλείο για τις αρχές, στην αντιμετώπιση της ρύπανσης όζοντος, η οποία έχει γίνει ένα ζήτημα δημόσιας υγείας σε πολλές πόλεις παγκοσμίως. Λόγω της έντονης ηλιοφάνειας, στις μεσογειακές χώρες τα επίπεδα είναι υψηλότερα απ ό,τι στην Κεντρική ή τη Βόρεια Ευρώπη. Η εκτίμηση της ποιότητας της ατμόσφαιρας είναι απαραίτητη τόσο από την ουσιαστική άποψη της επίδρασης στη δημόσια υγεία όσο και από τη διαχειριστική άποψη της συμμόρφωσης με συγκεκριμένα πρότυπα ποιότητας της ατμόσφαιρας και της συνακόλουθης ενημέρωσης/προειδοποίησης των πολιτών. Η σωστή διαχείριση της ποιότητας της ατμόσφαιρας απαιτεί ακριβή κατά το δυνατόν πρόβλεψη των συγκεντρώσεων των αέριων ρύπων. Η πρόβλεψη του επιφανειακού όζοντος με την χρήση αναλυτικών-ντετερμινιστικών ατμοσφαιρικών μοντέλων διασποράς θα ήταν δύσκολη και δεν θα συμπεριλάμβανε 120
όλους τους παράγοντες που επιδρούν στην αύξηση ή στην μείωση της συγκέντρωσης του Ο 3. Η ανάπτυξη μοντέλων νευρωνικών δικτύων που μπορούν να προβλέψουν τις συγκεντρώσεις όζοντος της χαμηλής τροπόσφαιρας, όπως αποδείχθηκε, είναι μια πολύ καλή επιλογή καθώς για την εκπαίδευσή τους χρησιμοποιούνται διαθέσιμα στοιχεία προηγούμενων μετρήσεων αλλά και λόγω της ικανότητάς τους να χειρίζονται δεδομένα με μη γραμμικές σχέσεις μεταξύ τους. Όσον αφορά τις μετρήσεις συγκέντρωσης ρύπων, ήδη στο Λεκανοπέδιο της Αθήνας υπάρχουν και λειτουργούν σταθμοί συλλογής στοιχείων. Η επέκταση και πιθανή αναδιάταξη του δικτύου με την δημιουργία νέων μόνιμων ή και κινητών σταθμών μέτρησης, ώστε να καλυφθεί πλήρως η ευρύτερη περιοχή της Αθήνας αλλά και άλλων μεγάλων πόλεων της Ελλάδας, παράλληλα με την χρήση των μετρήσεων του δικτύου για τις μετεωρολογικές παραμέτρους, θα δώσει την απαιτούμενη πλήρη εικόνα της εξέλιξης των παραμέτρων ποιότητας ατμόσφαιρας. Βασική προϋπόθεση βέβαια, είναι η πληρότητα των μετρήσεων, η σωστή συντήρηση και ο έλεγχος σωστής λειτουργίας των οργάνων μέτρησης, γιατί όπως είναι σαφές η απόδοση των μοντέλων εξαρτάται άμεσα από τα στοιχεία που εισάγονται. 121
ΒΙΒΛΙΟΓΡΑΦΙΑ 1. Wenjian Wang, Weizhen Lu, Xiekang Wang and Andrew Y. T. Leung, Prediction of maximum daily ozone level using combined neural network and statistical characteristics, Environment International, Volume 29, Issue 5, August 2003, P.p. 555-562. 2. E. Balaguer Ballester, G. Camps i Valls, J. L. Carrasco-Rodriguez, E. Soria Olivas and S. del Valle-Tascon, Effective 1-day ahead prediction of hourly surface ozone concentrations in eastern Spain using linear models and neural networks, Ecological Modelling, Volume 156, Issue 1, 15 October 2002, p.p. 27-41. 3. A. Zolghadri, M. Monsion, D. Henry, C. Marchionini and O. Petrique, Development of an operational model-based warning system for tropospheric ozone concentrations in Bordeaux, France, Environmental Modelling & Software, Volume 19, Issue 4, April 2004, p.p. 369-382. 4. Comrie A. C., (1997) Comparing neural networks and regression models for ozone forecasting, Journal of Air and Waste Management Assoc., Volume 47, June 1997, p.p. 653-663. 5. Uwe Schlink, Stephen Dorling, Emil Pelikan, Giuseppe Nunnari, Gavin Cawley, Heikki Junninen, Alison Greig, Rob Foxall, Krystof Eben, Tim Chatterton, Jiri Vondracek, Matthias Richter, Michal Dostal, Libero Bertucco, Mikko Kolehmainen and Martin Doyle, A rigorous inter-comparison of ground-level ozone predictions, Atmospheric Environment, Volume 37, Issue 23, July 2003, p.p. 3237-3253. 6. Héctor Jorquera, Ricardo Pérez Aldo Cipriano, Andrés Espejo, M. Victoria Letelier and Gonzalo Acuña, Forecasting ozone daily maximum levels at Santiago, Chile, Atmospheric Environment, Volume 32, Issue 20, 25 September 1998, p.p. 3415-3424. 7. Victor R. Prybutok, Junsub Yi and David Mitchell, Comparison of neural network models with ARIMA and regression models for prediction of Houston's daily maximum ozone concentrations, European Journal of Operational Research, Volume 122, Issue 1, 1 April 2000, p.p. 31-40. 8. Lubomir Hadjiiski, Paul Geladi and Philip Hopke, A comparison of modeling nonlinear systems with artificial neural networks and partial least squares, Chemometrics and Intelligent Laboratory Systems, Volume 49, Issue 1, 6 September 1999, p.p. 91-103. 9. Junsub Yi and Victor R. Prybutok, A neural network model forecasting for prediction of daily maximum ozone concentration in an industrialized urban area, Environmental Pollution Volume 92, Issue 3, 1996, p.p. 349-357. 10. Δημήτριος Μελάς, Τμήμα Φυσικής, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, Εργαστήριο Φυσικής Ατμόσφαιρας, ΑΠΘ, http://lap.phys.auth.gr/pms/articles.asp 11. Σωτήριος Δ. Γκλαβάς, "Εισαγωγή στην ΑΤΜΟΣΦΑΙΡΙΚΗ ΧΗΜΕΙΑ", Πανεπιστήμιο Πατρών, Τμήμα Χημείας, Πάτρα 2002. 12. O. Pastor-Barcenas, E. Soria-Olivaw, J.D. Martin-Guerrero, G. Camps-Valls, J.L. Carrasco-Rodriquez, S. del Valle-Tascon, Unbiased sensitivity analysis and pruning techniques in neural networks for surface ozone modeling, Ecological Modelling, Volume 182, Issue 2, March 2005, p.p. 149-158. i
13. Δρ. Πρόδρομος Ζάνης, Εργαστήριο Φυσικής Ατμόσφαιρας, ΑΠΘ, http://lap.phys.auth.gr/pms. 14. U.S. EPA (United States Environmental Protection Agency) http://www.epa.gov/oar/oaqps/gooduphigh/ 15. Ημερίδα με θέμα Ποιότητα της ατμόσφαιρας σε αστικές περιοχές-νέα δεδομένα και προοπτικές, Εθνικό Κέντρο Περιβάλλοντος και Αειφόρου Ανάπτυξης (ΕΚΠΑΑ), 18 Μαρτίου 2005, Κηφισιά. 16. Κ. Πελεκάση, Μ. Σκούρτος, "Η ατμοσφαιρική Ρύπανση στην Ελλάδα" Εκδόσεις Παπαζήση, Αθήνα 1992. 17. Ιωάννης Β. Γεντεκάκης, "Ατμοσφαιρική ρύπανση - Επιπτώσεις, Έλεγχος & Εναλλακτικές τεχνολογίες", Εκδόσεις Τζιόλα, Θεσσαλονίκη, 1999. 18. Π. Γιαννόπουλος, "Ατμοσφαιρική Ρύπανση", Πανεπιστήμιο Πατρών, Πολυτεχνική Σχολή, Τμήμα Πολιτικών Μηχανικών, Τομέας Τεχνολογίας του Περιβάλλοντος και Συγκοινωνιών, Πάτρα 1991-92. 19. Sotirtios Glavas, Surface ozone and NOx concentrations at a high altitude Mediterranean site, Greece, Atmospheric Environment, Volume 33, 1999, p.p. 3813-3820. 20. Roberto Guardani, Claudio A. O. Nascimento, Maria L. G. Guardani, Maria H.R.B. Martins, Jesuino Romano, Study of Atmospheric Ozone Formation by Means of a Neural-Based Model, Journal of Air and Waste Management Assoc., Volume 49, March 1999, p.p. 316-323. 21. Sanford Sillman, The relation between ozone, NOx and Hydrocarbons in urban and polluted rural environments, Atmospheric Environment, Volume 33, Issue 12, 1999, p.p. 1821-1845. 22. Ioannis C. Ziomas, Paraskevi Tzoumaka, Dimitrios Balis, Dimitrios Melas, Christos S. Zerefos, Otto Klemm, Ozone Episodes in Athens, Greece. Amodelling Approach using Data from the MEDCAPHOT-TRACE, Atmospheric Environment, Volume 32, Issue 12, 1988, p.p. 2313-2321. 23. Σύγχρονη Τεχνική Επιθεώρηση, Ουραγός η Ελλάδα στην καταπολέμηση της ρύπανσης, Τεύχος 151, Νοέμβριος 2004. 24. http://postgrasrv.hydro.ntua.gr/gr/edmaterial/education/chatzibiros/envimpact /ATTIKI.pdf, Ερευνητικό Πρόγραμμα-Στρατηγικό Πλαίσιο Χωρικής Ανάπτυξης για Αθήνα-Αττική, ΕΜΠ-ΥΠΕΧΩΔΕ, Επιστηµονική Υπεύθυνος: Κ. Γεράρδη, επ. καθ. ΕΜΠ, Υπεύθυνος για τον τοµέα «περιβάλλον»:κίµων Χατζηµπίρος, Φυσικός-Οικολόγος, Αθήνα, Οκτώβριος 2000. 25. Μουσιόπουλος Ν. Μαθηματικά Μοντέλα Ατμοσφαιρικής Ρύπανσης Επιχειρησιακό πρόγραμμα Έρευνας και Τεχνολογίας ΕΠΕΤ ΙΙ Μέτρο 4.2, Υπολογισμός Διασποράς Ρύπων στην Ατμόσφαιρα-ΥΔΡΑ, Θεσσαλονίκη 1997. 26. P. Suppan, P. Fabian, L. Vyras, S.E. Gryning, The behaviour of Ozone and PeroxyAcetyl Nitrate concentrations for different Wind Regimes During the MEDCAPHOT-TRACE campaign in the greater area of Athens, Greece (20August-20 September 1994), Atmospheric Environment, Volume 32, Issue 12, 1998, p.p. 2089-2102. 27. Elvira Tsani-Bazaca, Sotirtios Glavas, Hans Gusten, PeroxyAcetyl Nitrate (PAN) concentrations in Athens, Greece, Atmospheric Environment, Volume 22, Issue 10, 1988, p.p. 2283-2286. 28. Kioutsioukis I., Melas D., Ziomas I.C., Skouloudis A.: Predicting peak photochemical pollutant concentrations with a combination of neural network models, Neural Network World, 2000, (6), p.p. 909-916. ii
29. P.D. Kalabokas, J.G. Bartzis, Photochemical Air Pollution Characteristics at the station of the NCSR-Demokritos, during the MEDCAPHOT-TRACE campaign in Athens, Greece (20August-20 September 1994), Atmospheric Environment, Volume 32, Issue 12, 1998, p.p. 2123-2139. 30. Χαρτογραφική Απεικόνιση της Διασποράς Ατμοσφαιρικών ρύπων στην Αθήνα με την βοήθεια Γεωγραφικού Συστήματος Πληροφοριών (Γ.Σ.Π.), Π. Α. Κασσωμένος, Πανεπιστήμιο Ιωαννίνων, Τμήμα Φυσικής, Εργαστήριο Μετεωρολογίας, Ιωάννινα. 31. ΥΠΕΧΩΔΕ ΓΕΝΙΚΗ Δ/ΝΣΗ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Δ/ΝΣΗ ΕΑΡΘ Η ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ ΣΤΗΝ ΑΘΗΝΑ, Έκθεση 2004, Τμήμα Ποιότητας Ατμόσφαιρας, Μάιος 2005, www.minenv.gr 32. ΑΠΟΦΑΣΗ ΤΗΣ ΕΠΙΤΡΟΠΗΣ ΤΩΝ ΕΥΡΩΠΑΪΚΩΝ ΚΟΙΝΟΤΗΤΩΝ, της 19ης Μαρτίου 2004, σχετικά µε κατευθυντήριες γραµµές εφαρµογής της οδηγίας 2002/3/ΕΚ του Ευρωπαϊκού Κοινοβουλίου και του Συµβουλίου σχετικά µε το όζον στον ατµοσφαιρικό αέρα, (2004/279/ΕΚ). 33. Ενημερωτικό Δελτίο ΤΕΕ, Τεύχος 2338 - Δευτέρα 04 Απριλίου 2005, Ημερίδα ΤΕΕ για την Ποιότητα της Ατμόσφαιρας στις πόλεις, - Ανίκητοι ρύποι έως σήμερα, όζον και αιωρούμενα σωματίδια. 34. Ενημερωτικό Δελτίο ΤΕΕ, Τεύχος 2184 - Δευτέρα 28 Ιανουαρίου 2002, Bιώσιμη αστική ανάπτυξη - πολεοδομική ανασυγκρότηση και μητροπολιτική Αθήνα, Π.Α. Παταργιάς, Πολιτικός Μηχανικός Ε.Μ.Π, Διδάκτορ Α.Π.Θ. 35. Γεωργίου Βαλκανά, "Ρύπανση Περιβάλλοντος - Επιστήμη και μέτρα αντιμετώπισης" Εκδόσεις Παπαζήση, Αθήνα 1992. 36. Ενημερωτικό Δελτίο ΤΕΕ, Τεύχος 2173 - Δευτέρα 05 Νοεμβρίου 2001, Η υπερθέρμανση του πλανήτη μας και η θερμοκρασιακή πραγματικότητα της Αθήνας, Π. Α. Παταργιάς, Πολιτικός Μηχανικός Ε.Μ.Π, Διδάκτορ Α.Π.Θ. 37. S. A. Abdul-Wahab and S. M. Al-Alawi, Assessment and prediction of tropospheric ozone concentration levels using artificial neural networks, Environmental Modelling & Software, Volume 17, Issue 3, 2002, p.p. 219-228. 38. M.W. Gardner, S.R. Dorling, Artificial Neural network-derived Trends in Daily Maximum Surface Ozone Concentrations, Journal of Air and Waste Management Assoc., Volume 51, August 2001, p.p. 1202-1210. 39. Μανέτος Π., Φώτης Γ., "Χωρική Ανάλυση και πρόβλεψη Εξέλιξης Αστικών Περιοχών: Εφαρμογή στο Νομό Αττικής", Τμήμα Μηχανικών Χωροταξίας και Περιφερειακής Ανάπτυξης, Πολυτεχνική Σχολή, Πανεπιστήμιο Θεσσαλίας, Σειρά ερευνητικών εργασιών 9(16):357-386, Απρίλιος 2003. 40. Spellman Greg, An application of artificial neural networks to the prediction of surface ozone concentrations in the United Kingdom, Applied Geography, Volume 19, 1999, p.p. 123-136. 41. Demuth Howard, Beale Mark, Neural Neywork Toolbox, For Use with MATLAB, User s quide Version 4, The MathWorks Inc., September 2000. 42. Jain A. K., Mao J. and Mohiuddin K. M., Artificial neural networks: A tutorial. Computer, March 1996, p.p. 31 44. 43. Stamatios V. Kartalopoulos "Understanding Neural Networks and Fuzzy Logic-basic concepts and applications" IEEE Press, Ν. York, 1996. 44. M. W. Gardner and S. R. Dorling, Artificial neural networks (the multilayer perceptron)--a review of applications in the atmospheric sciences, Atmospheric Environment, Volume 32, Issues 14-15, August 1998, p.p. 2627-2636. iii
45. Niska H., Hiltunen T,. Karppinen A., Ruuskanen J., Kolehmainen M., Evolving the neural network model for forecasting air pollution time series, Engineering Applications of Artificial Intelligence, Volume 17, 2004, p.p. 159-167. 46. Asha B Chelani, C.V. Chalapati Rao, K.M. Phadke, M.Z. Hasan, Prediction of sulpur dioxide concentration using artificial neural networks, Environmental Modelling & Software, Volume 17, Issue 2, 2002, p.p. 161-168. 47. M. Kolehmainen, h. Martikainen, J. Ruuskanen, Neural networks and periodic components used in air quality forecasting, Atmospheric Environment, Volume 35, Issue 5, 2001, p.p. 815-825. 48. Δημητρίου Κ., http://www.hellasgi.gr/papers3/dimitriou.doc, Χρήση Χωρικού Συστήματος Στήριξης Αποφάσεων τεχνολογίας νευρωνικών δικτύων και ασαφούς λογικής για τον περιβαλλοντικό σχεδιασμό στην παράκτια ελληνική ζώνη, Πανεπιστήμιο Θεσσαλίας, Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας και Περιφερειακής Ανάπτυξης, Εργαστήριο Περιβάλλοντος και Χωρικού Σχεδιασμού. 49. M. W. Gardner and S. R. Dorling, Statistical surface ozone models: an improved methodology to account for non-linear behaviour, Atmospheric Environment, Volume 34, Issue 1, January 2000, p.p. 21-34. 50. Archontoula Chaloulakou, Michaela Saisana, Nikolas Spyrellis, Comparative assessment of neural networks and regression models for forecasting summertime ozone inathens, The Science of the Total Environment, Volume 313, September 2003, p.p. 1-13. 51. Boznar M., Lesjak M., Mlakar Ρ., A neural network-based method for short term predictions of ambient SO 2 concentrations in highly polluted industrial areas of complex terrain, Atmospheric Environment, Volume 27B, Issue 2, June 1993, p.p. 221-230. 52. Peter Bloomfield, J. Andrew Royle, Laura J. Steinberg and Qing Yang, Accounting for meteorological effects in measuring urban ozone levels and trends, Αtmospheric Environment, Volume 30, Issue 17, September 1996, p.p. 3067-3077. 53. Ioannis C. Ziomas, Dimitrios Melas, Christos S. Zerefos, Αlkiviadis F. Bais and Athanasios G. Paliatsos, Forecasting Peak Pollutant levels from meteorological variables, Atmospheric Environment, Volume 29, Issue 24, December 1995, p.p. 3703-3711. 54. Ruiz-Suarez J.C., Mayora-Ibara Ο.Α., Torres-Jimenez J. and Ruiz-Suarez L.G., Short term ozone forecasting by artificial neural networks, Advances in Engineering Software, Volume 23, 1995, p.p. 143-149. 55. Ian G. McKendry, Evaluation of Artificial Neural Networks for Fine Particulate Pollution (PM and PM) Forecasting, Journal of Air and Waste Management Assoc., Volume 52, September 2002, p.p. 1096-1101. 56. Dimitrios Melas, Ioannis Kioutsioukis, Ioannis C. Ziomas, Neural Network Model for Predicting Peak Photochemical Pollutant Levels, Journal of Air and Waste Management Assoc., Volume 50, April 2000 p.p. 495-501. 57. M.W. Gardner, S.R. Dorling, Neural network modelling and prediction of hourly NOx and NO 2 concentrations in urban air in London, Atmospheric Environment, Issue 33, 1999, p.p. 709-719. 58. The Mathworks Inc., MATLAB Neural Network Toolbox, http://www.mathworks.com/products/neuralnet/ iv
ΚΕΦΑΛΑΙΟ 1 ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ Εισαγωγή Τις τελευταίες δεκαετίες έγινε προφανές ότι οι δραστηριότητες του ανθρώπου συνιστούν σοβαρή απειλή για το ατμοσφαιρικό περιβάλλον, καθώς συντελούν στην ατμοσφαιρική ρύπανση και την αλλαγή της σύστασης της ατμόσφαιρας, με άμεσες συνέπειες στην υγεία και την ποιότητα ζωής του ανθρώπου. Στα πλαίσια αυτά η Ευρωπαϊκή Ένωση προσπαθεί να τηρεί με συνέπεια την αρχή της βιώσιμης ανάπτυξης: επίτευξη της λεπτής ισορροπίας μεταξύ προστασίας του ατμοσφαιρικού περιβάλλοντος και εξασφάλισης οικονομικής προόδου και κοινωνικής ανάπτυξης. Παρόλο που η ατμοσφαιρική ρύπανση δεν μπορεί να θεωρηθεί αποκλειστικό προνόμιο της σύγχρονης εποχής, μια σειρά από μεγάλα επεισόδια ατμοσφαιρικής ρύπανσης τις τελευταίες δεκαετίες μας υπενθύμισαν το μέγεθος του προβλήματος και την ανάγκη ελέγχου της ποιότητας του αέρα που αναπνέουμε. Χαρακτηριστικά αναφέρεται το επεισόδιο που συνέβη στο Λονδίνο το 1952 όταν μια εβδομάδα υψηλών επιπέδων ρύπανσης είχε σαν αποτέλεσμα να συμβούν 4.000 πλεονάζοντες θάνατοι (σύγκριση των ρυθμών θανάτου πριν και μετά το επεισόδιο) οι οποίοι αποδόθηκαν στη ρύπανση. Ατμοσφαιρική ρύπανση και νέφος Ατμοσφαιρική ρύπανση καλείται η παρουσία στην ατμόσφαιρα κάθε είδους ουσιών, σε συγκέντρωση ή διάρκεια που μπορούν να προκαλέσουν αρνητικές επιπτώσεις στην υγεία, στους ζωντανούς οργανισμούς και στα οικοσυστήματα και γενικά να καταστήσουν το περιβάλλον ακατάλληλο για τις επιθυμητές χρήσεις του 15. Κάτω από ορισμένες συνθήκες, η ατμοσφαιρική ρύπανση μπορεί να φτάσει σε επίπεδα που μπορεί να δημιουργήσουν ανεπιθύμητες συνθήκες διαβίωσης. Όταν επικρατούν υψηλά επίπεδα ρύπανσης έχει επικρατήσει στην καθομιλουμένη να λέγεται ότι έχουμε Νέφος. Αντίστοιχα στην Αγγλική γλώσσα μιλάμε για SMOG (αιθαλομίχλη). Η λέξη είναι σύνθετη και προέρχεται από τις λέξεις SMOke (αιθάλη) και fog (ομίχλη). Η ατμοσφαιρική ρύπανση σε πολλές πόλεις, προκαλείται από εκπομπές μονοξειδίου του άνθρακα, διοξειδίου του θείου και αιωρούμενων σωματιδίων, σε συνδυασμό με σχετικά χαμηλή θερμοκρασία και μεγάλη σχετική υγρασία, και όταν έχουμε υψηλές θερμοκρασίες, μεγάλη ηλιοφάνεια σε ένταση και διάρκεια, μικρή σχετική υγρασία και υψηλή συγκέντρωση οξειδίων του αζώτου, υδρογονανθράκων, και δευτερογενών προϊόντων τους. Χαρακτηριστικός εκπρόσωπος φωτοχημικής ρύπανσης είναι το όζον (Ο 3 ). 5
Σχήμα 1: Φωτοχημικό νέφος στο σύγχρονο Los Angeles 10. Για να αντιμετωπίσουμε αποτελεσματικά το πρόβλημα του νέφους πρέπει να γνωρίζουμε, πως δημιουργείται, από τι αποτελείται, τι επιπτώσεις έχει στο περιβάλλον, και τι μπορούν να κάνουν πολιτεία και κοινωνία για την καταπολέμησή του 31. Εκπομπές ατμοσφαιρικών ρύπων Αντίθετα με την κοινή αντίληψη, το μεγαλύτερο ποσοστό των παραγόμενων (πρωτογενών) αέριων ρύπων προέρχεται από καθαρά φυσικές πηγές. Με τον όρο φυσικές πηγές αναφερόμαστε στις πηγές αερίων ρύπων που δεν οφείλονται στην ανθρώπινη δραστηριότητα. Παρ όλα αυτά οι ανθρωπογενείς εκπομπές είναι κυρίως υπεύθυνες για τα μεγάλα περιβαλλοντικά προβλήματα που εμφανίσθηκαν. Αυτό οφείλεται βεβαίως στην ανατροπή της φυσικής ισορροπίας αλλά επίσης και στη μεγάλη πυκνότητα των ανθρωπογενών εκπομπών οι οποίες συγκεντρώνονται σε μικρές γεωγραφικές περιοχές (κυρίως αστικές περιοχές και βιομηχανικές ζώνες). Αντίθετα, η μεγάλη διασπορά των φυσικών πηγών ανά την υφήλιο προσφέρει τη δυνατότητα καλύτερης ανάμιξης των ρύπων με τον καθαρό αέρα. Κατά συνέπεια, με κάποιες μικρές εξαιρέσεις, οι εκπομπές αερίων ρύπων από φυσικές πηγές από μόνες τους δεν οδηγούν σε υψηλές συγκεντρώσεις. Οι σημαντικότερες φυσικές πηγές και οι αντίστοιχοι ρύποι, είναι: Τα ηφαίστεια (κυρίως αιωρούμενα σωματίδια, διοξείδιο του θείου, υδρόθειο και μεθάνιο). Οι δασικές πυρκαγιές (κυρίως αιωρούμενα σωματίδια, μονοξείδιο και διοξείδιο του άνθρακα). Οι ωκεανοί και γενικότερα οι θαλάσσιες εκτάσεις (κυρίως χλωριούχο νάτριο και θειικά άλατα). Βιολογική αποσύνθεση των φυτών και των ζώων (κυρίως υδρογονάνθρακες, αμμωνία και υδρόθειο). Η αποσάθρωση του εδάφους (αιωρούμενα σωματίδια). Τα φυτά και τα δέντρα (κυρίως υδρογονάνθρακες). 6
Οι κυριότερες ανθρωπογενείς πηγές είναι: Βιομηχανικές πηγές (καύσεις, επεξεργασία). Παραγωγή και μεταφορά ενέργειας. Μεταφορές. Κεντρική θέρμανση. η ρρ μμ ρα φορές Διάθεση Χρήση απορριμμάτων χανική επεξεργασία καυσίμων σε 2% η καυσίμων στάσιμες σε στάσιμες πηγές πηγές 29% Διάφορα 7% Βιομηχανική επεξεργασία 16% Μεταφορές 46% οργανικές ενώσεις 15 ου αζώτου 16 ο του άνθρακα 48 ου θείουπτητικές οργανικές 16 ενώσεις 15% Οξείδια του αζώτου 16% Αιωρούμενα σωματίδια 5% Οξείδια του θείου 16% Μονοξείδιο του άνθρακα 48% Σχήμα 2: Κατανομή των ανθρωπογενών πηγών και των αέριων ρύπων που εκπέμπονται από αυτές στην ατμόσφαιρα 10. Στο σχήμα 2 εμφανίζεται η κατανομή των ανθρωπογενών εκπομπών των πρωτογενών ρύπων ανά κατηγορία πηγής. Όπως είναι φανερό από το σχήμα αυτό, οι μεταφορές και οι βιομηχανικές δραστηριότητες (συμπεριλαμβανομένης και της παραγωγής ηλεκτρικής ενέργειας) είναι μαζί υπεύθυνες για ποσοστό μεγαλύτερο του 90% των εκπομπών πρωτογενών ρύπων. Η ατμοσφαιρική ρύπανση είναι ένα παγκόσμιο πρόβλημα και για τη μείωση των εκπομπών έχουν υπογραφεί διάφορες διεθνείς συνθήκες (Γενεύη 1979, Βιέννη 1985, Νέα Υόρκη 1992 κτλ.). Αυτό είχε σαν αποτέλεσμα να επιτευχθεί κάποια πρόοδος και να βελτιωθούν ορισμένες παράμετροι του προβλήματος. Ενδεικτικά παρουσιάζονται στο σχήμα 3 οι τάσεις των εκπομπών του διοξειδίου του θείου και των οξειδίων του αζώτου στην Ευρωπαϊκή Ένωση. Όπως φαίνεται στο σχήμα αυτό οι τάσεις είναι πτωτικές, ιδιαίτερα για τις εκπομπές του διοξειδίου του θείου. 7
Σχήμα 3: Η τάση των εκπομπών του διοξειδίου του θείου (SO 2 ) και των οξειδίων του αζώτου (NO x ) στις χώρες της Ευρωπαϊκής Ένωσης. 10 Μηχανισμοί σχηματισμού αέριων ρύπων Μια ποικιλία ατμοσφαιρικών μηχανισμών είναι υπεύθυνη για τη μεταφορά και το μετασχηματισμό των αέριων ρύπων που εκλύονται στην ατμόσφαιρα. 10 Το σχήμα 4 δείχνει σχηματικά τις διαδικασίες οι οποίες συντελούν στη διασπορά των αέριων ρύπων που εκπέμπονται από μία καμινάδα. α. Οι αέριοι ρύποι όταν αφήνουν την καμινάδα είναι κατά κανόνα θερμότεροι από τον περιβάλλοντα αέρα. Το γεγονός αυτό σε συνδυασμό με την αρχική ορμή που έχουν τα καυσαέρια όταν φθάνουν στην κορυφή της καμινάδας έχει σαν αποτέλεσμα ο θύσανος να ανυψώνεται μέχρι ενός ορισμένου ύψους. Το ύψος αυτό είναι βέβαια υψηλότερο του φυσικού (κατασκευαστικού) ύψους της καμινάδας και ονομάζεται ενεργό ύψος της καμινάδας. Η διαφορά ανάμεσα στο φυσικό και στο ενεργό ύψος της καμινάδας ονομάζεται αρχική ανύψωση του θυσάνου. Στις περισσότερες περιπτώσεις η αρχική ανύψωση του θυσάνου έχει πολύ μεγάλη σημασία στην ποιότητα του αέρα της περιοχής γιατί μπορεί να αυξήσει το ενεργό ύψος της καμινάδας με ένα παράγοντα 2 έως 10 φορές το ύψος της. β. Οι ρύποι μεταφέρονται μακριά από την πηγή από το μέσο οριζόντιο άνεμο. Η οριζόντια μεταφορά αποτελεί τον πλέον σημαντικό μηχανισμό απομάκρυνσης και αραίωσης των ρύπων. Σε περιπτώσεις κατά τις οποίες η ταχύτητα του ανέμου είναι πολύ χαμηλή (άπνοια) οι συνθήκες διασποράς είναι άσχημες και υπάρχει αυξημένη πιθανότητα εμφάνισης επεισοδίου ρύπανσης. Τέτοιες συνθήκες εμφανίζονται συνήθως κοντά στο κέντρο αντικυκλωνικών συστημάτων. Οι αναταρακτικές κινήσεις του αέρα (έντονες ανοδικές και καθοδικές κινήσειςτυρβώδεις στρόβιλοι) είναι υπεύθυνες για την κατακόρυφη μεταφορά και τη διαπλάτυνση του θυσάνου, με τελικό αποτέλεσμα την αραίωση. Η διαδικασία αυτή ονομάζεται διάχυση. Η κλίμακα και η ένταση της αραίωσης εξαρτώνται από το βαθμό ανατάραξης της ατμόσφαιρας. Σε συνθήκες ευστάθειας οι τυρβώδεις στρόβιλοι είναι μικρότερης 8