image
image
image
image
image
image
image
image
image
 
Welchen Einfluss hat die Witterung auf
die Luftqualität?
Ergebnisse eines Projektes zu NO
2
Statuskolloquium Luft
04.12.2019
Dominik van Pinxteren, Sebastian Düsing, Alfred Wiedensohler,
Hartmut Herrmann

image
 
Motivation
NO
2
schädigt die menschliche Gesundheit
Grenzwerte: max. 18 h/Jahr > 200 µg/m
3
und 40 µg/m
3
im Jahresmittel
Hauptquelle Verbrennungsprozesse (Kraftwerke, Industrie, Heizung, Verkehr)
Meteorologie beeinflusst Immissionen direkt :
-
windschwache Wetterlagen
verminderter Luftaustausch
höhere Immissionen
-
Inversionswetterlagen
verm. vertikaler Luftaustausch
höhere Immissionen
oder indirekt über Emissionen:
-
niedrige Temperaturen
höhere Emissionen aus Heizung
höhere Immissionen
oder ...

image
image
 
Motivation
... oder über komplexe Photochemie:
-
hohe Strahlung
hohes O
3
hohe NO
2
-Bildung in städtischen Gebieten
-
hohe Temperatur
hohe BVOCs
hohe NO
2
-Bildung in ländlichen Gebieten

image
 
Projektziele
Einfluss der Meteorologie auf NO
2
Immissionen bestimmen
Analyse der Stundenwerte Gase und Meteorologie im sächs. Luftmessnetz
Untersuchung Zusammenhänge Meteorologie und Luftschadstoffe nach Gebietstyp
Prüfung 2017 meteorologisch besonders günstig für Ausbreitung/Verdünnung
Prüfung Sommer 2018 höheres NO
2
und O
3
wegen höherer Temp. und Strahlung
Analyse regulatorischer Eingriffe in DD-Bergstr. und L-Lützner Str.

image
image
 
Sächsisches Luftgütemessnetz
Stundenwerte 2015-18 NO, NO
2
, NO
x
, O
3
+ meteorologische Messgrößen

image
image
 
10-Jahrestrends
Stickstoffdioxid: Abweichung vom 10-Jahres-Mittelwert (2009-2018)
Sonderstellung 2018 gilt im Mittel für fast alle Stationstypen
Ursache Meteorologie, z.B. hohe TMP, GLO, O
3
?

image
 
Zusammenhänge Luftschadstoffe und Meteorologie
Statistische Modellierung

image
 
Statistische Modellierung
Statistisches Modell für Schadstoffkonzentration (y, „abhängige Variable“) erstellen
unter Verwendung versch. Einflussgrößen (x, „unabhängige“ oder „erklärende“ Variablen,)
Wichtigkeit der versch. Einflussgrößen zur Vorhersage des Schadstoffes bestimmen
Einfluss der Einflussgrößen quantifizieren
„Szenarien“ rechnen
Klassische Statistik
z.B. multiple lineare Regression
[NO
2
] = a * Globalstrahlung + b * Temperatur + c * Windgeschwindigkeit + d * Mischungsschichthöhe
Maschinelles Lernen
(engl. machine learning)
Algorithmen bauen mit Trainingsdaten statistisches Modell auf
z.B. neuronale Netze oder sog. Entscheidungsbäume („decision trees“)
Hier
BRT- Modell: „boosted regression trees“ („verstärkte Regressionsbäume“)
eines der effektivsten ML Modelle
erstmals im Bereich Luftqualität verwendet von David Carslaw & P. Taylor, Atm. Env., 2009: NO
x
an Flughafen

image
image
 
Regressionsbäume
Regressionsbaum („regression tree“)
Bsp. 1
: NO
2
in DD-Bergstr. in Abhängigkeit von 2 Variablen: GLO und WIG
1. Mittelwert alle Daten
2. ja/nein Abfrage, Variable und Grenzwert
mit höchster Unterscheidungskraft
3. Mittelwerte in Teilmengen
4. neue Abfrage, Variable und Grenzwert
wieder mit höchster Unterscheidungskraft
...
Ende: Vorhersagewerte des Modells
Vorteil: anschaulich und verständlich, Vorhersagen leicht nachvollziehbar
Nachteil: Modellgüte (Vorhersagegenauigkeit) eines einzelnen Baumes ist begrenzt
Ensemble Modelle
Abfolge von Fragen/Regeln an „Knoten“, die zu Antworten in „Blättern“ führen

image
image
image
image
 
Verstärkte Regressionsbäume
(Gradient) Boosted Regression Trees
-
viele einzelne Entscheidungsbäume
-
Vorhersage wird aus gesamtem „Wald“ gemittelt
-
jeder neue Baum wird auf Residuen (Vorhersagefehler) des vorherigen Modells angesetzt
-
iterative Minimierung der Abweichungen zwischen Modell und Zielgröße
schwacher Klassifikator wird schrittweise zu einem starken Lerner aufgebaut („boosted“: „verstärkt“)
Aber: Entscheidungen/Vorhersagen des „Entscheidungswaldes“ nicht mehr ohne weiteres interpretierbar
Mathematische Methoden, um Modelle zu „erklären“ und interpretierbar zu machen
Ensemble Modelle
Anteil innerhalb Faktor 2
Wurzel des quadrierten Vorhersagefehlers („root mean squared error“
Korrelationskoeffizient
Stundenwerte NO
2
in DD-Bergstr.
Modellgüte

image
 
Modellvariablen
Umsetzung im Projekt
-
Verwendung des R package „deweather“ (David Carslaw)
basiert auf R package „gbm“ mit Standardeinstellungen für Anwendungen im Bereich Luftqualität
Basismodell
:
-
NO, NO
2
, NO
x
, O
3
:
abhängige Variablen
-
TMP, GLO, RFE, WIR, WIG:
meteorologische Einflussgrößen, gemessen an Stationen
-
NDS, MSH, Traj.länge:
weitere meteorologische Einflussgrößen, RADOLAN bzw. HYSPLIT/GDAS1
-
Stunde des Tages (0 – 23):
Proxy-Variable für Emissionen im Tagesgang
-
Wochentag (Mo – So):
Proxy-Variable für Emissionen im Wochengang
-
Tag des Jahres (1 – 365):
Proxy-Variable für Emissionen im Jahresgang
-
Trend (Dezimaldatum/-zeit):
Variable zur Beschreibung des langfristigen Trends
erweiterte Modelle
:
-
Verkehrsdichte
landwärtiger Schwer- und Leichtverkehr (LSV, LLV), stadtwärtiger Schwer- und Leichtverkehr (SSV, SLV)
-
lokales Ozon + Hintergrundozon (Collmberg)

image
image
image
image
 
Modellinterpretation
Erklärbarkeit der Ergebnisse
partial dependence plots
stellen „marginale Effekte“ („Grenzeffekte“) dar
Effekt einer Einflussgröße auf die abhängige Variable, wenn alle anderen Einflussgrößen
konstant bzw. in einer Kategorie gehalten werden
NO
2
an DD-Bergstr.
relativen Beitrag (Einfluss) der Einflussgrößen berechnen
basiert auf Häufigkeit der Variable im splitting Prozess, gewichtet mit Modellverbesserung an jew. Knoten

image
 
NO
2
in DD-Bergstr.

image
image
 
Stunde des Tages wichtigste Variable
mit ausgeprägtem Einfluss auf NO
2
Emissionen
WIG ebenfalls sehr wichtig
-25 µg m
-3
zwischen 0 und 1 m s
-1
-15 µg m
-3
zwischen 1 und 3 m s
-1
Samstag -10 µg m
-3
, Sonntag -8 µg m
-3
weitere Variablen weniger wichtig mit
meist plausiblen Mustern
erhöhtes NO
2
bei sehr kalter und sehr
hoher TMP (+20 µg m
-3
zw. 20 und 40°C)
erhöhte Motoremissionen,
Thermofenster?
niedrigeres NO
2
bei höherer RFE
trockene Deposition (N
2
O
5
Hydrolyse),
reduzierte Emissionen?
höheres NO
2
bei sehr regionalen
Luftmassen
Modellergebnisse
NO
2
in DD-Bergstr., Basismodell

image
image
 
Modellergebnisse
NO
2
in DD-Bergstr., Basismodell + Verkehrsdichte
Stunde des Tages und Wochentag
verlieren Wichtigkeit, ersetzt durch
tatsächliche Verkehrsdichte
landw. Leichtverkehr hat höchsten
Einfluss auf Immissionen
+45 µg m
-3
zw. 0 und 1600 h
-1
landw. Schwerverkehr +10 µg m
-3
stadtwärtiger Verkehr spielt keine
Rolle
7% Steigung der Bergstr. in landw.
Richtung
vgl. LfULG: 50 km/h @7% ≈
125 km/h @0%
erklärt auch Tagesgang in
vorheriger Abb.
übrige Variablen unverändert

image
image
 
Modellergebnisse
NO
2
in DD-Bergstr., Basismodell + Verkehrsdichte + Ozon
-
lokal gemessenes O
3
-
O
3
Collmberg: Einfluss Hintergrundozon
auf städtische NO
x
-Chemie
höheres NO
2
bei höherem Hintergrund-O
3
+20 µg m
-3
zw. 0 und 170 µg m
-3
O
3
verstärkte NO-Oxidation
niedrigeres NO
2
bei höherem lokalem O
3
-30 µg m
-3
zw. 0 und 100 µg m
-3
O
3
O
3
als NO
2
-Senke (NO
3
, N
2
O
5
)
O
3
als Proxy für OH, NO
2
-Senke (HNO
3
)
weitere Messgrößen wären hilfreich, [OH],
[O
3
-Vorläufer], jNO
2
, jO
3
, ...
übrige Variablen unverändert

image
 
O
3
in DD-Bergstr.

image
image
 
Modellergebnisse
O
3
in DD-Bergstr., Basismodell + Verkehrsdichte + Ozon
RFE hat höchsten Einfluss
-50 µg m
-3
zw. 25 und 100%
u.a. Deposition an feuchten
Oberflächen
MSH für O
3
wichtiger als für NO
x
höheres O
3
bei höherer MSH
Einmischung aus höheren Schichten
Einfluss WIG ebenfalls umgekehrt zu
NO
x
Eintrag aus regionalem Hintergr.
hoher O
3
-Anstieg bei hoher TMP
BVOC – Emissionen als O
3
-Vorläufer
Max. in früher Vegetationsphase im
Frühling, vgl. Jahresgang
Verkehr reduziert O
3
übrige Variablen ohne Einfluss

image
 
NO
2
in Leipzig Lützner Str.

image
image
image
 
Modellergebnisse
NO
2
in LE Lützner Str., Basismodell + Verkehrsdichte + Hintergrundozon
-
GLO aus L-Mitte verwendet
grundsätzlich ähnliche
Zusammenhänge wie an DD-Bergstr.
landw. und stadtw. Verkehr ähnlich
wichtig wg. fehlender Steigung,
gewisser Unterschied durch Lage
Messstation an landw. Fahrspur
WIG sehr wichtig
MSH wichtiger als an Bergstr.
Straßenschlucht
WIR spiegelt Straßenverlauf wider
SSO stadtw. zu Kreuzung Palmengarten
ansonsten ähnlich Bergstr., inkl.
höherem NO
2
bei hohen TMP
gilt ebenfalls für NO, NOx, L-Mitte mit
kleinen Unterschieden durch lokale
Gegebenheiten
PD-Plots: interessante Einblicke in komplexe Zusammenhänge

image
 
Zusammenhänge Luftschadstoffe und Meteorologie
Einfluss Meteorologie auf NO
2
in 2017 und 2018

image
image
 
Witterungsbereinigte Trends
-
Trend als Teil der PD plots
kann nochmal einzeln
modelliert werden
Witterungsbereinigte Trends
Meteorologische Normalisierung („deweather“)
1.
zufällige Permutation der Stundenwerte („resampling without replacement“)
2.
Vorhersage Stundenwerte Schadstoff mit randomisierten Datensatz und BRT Modell
3.
vielfache Wiederholung (n = 200)
4.
Mittelwert beschreibt „witterungsbereinigten“ Trend für den Bezugszeitraum
5.
Glättung durch Bildung von Tagesmittelwerten

image
image
image
 
Witterungsbereinigte Trends
Meteorologische Normalisierung („deweather“)
NO
2
in DD-Bergstr., Basismodell +
Verkehrsdichte
NO
2
in DD-Bergstr., Basismodell +
Verkehrsdichte + Ozon

image
image
image
image
 
Witterungsbereinigte Trends
Meteorologische Normalisierung („Wetterbereinigung“)
NO
2
in DD-Bergstr., Basismodell +
Verkehrsdichte
- 1,5 µg m
-3
- 3,6 %
NO
2
2018: 0,8 µg m
-3
(2%) niedriger als nach witterungs- und ozonbereinigtem Trend zu erwarten gewesen wäre
- 0,8 µg m
-3
- 2 %
NO
2
in DD-Bergstr., Basismodell +
Verkehrsdichte + Ozon

image
image
 
Station
Schadstoff
Modellversion
2015
2016
2017
2018
Dresden-Bergstr.
NO
+Verkehr + O
3
12.5 µg m
-3
(21.6 %)
7 µg m
-3
(12.8 %)
-4.9 µg m
-3
(-9.4 %)
-6.4 µg m
-3
(-13 %)
NO
2
+Verkehr + O
3
3.8 µg m
-3
(8.2 %)
2.8 µg m
-3
(6.6 %)
-2.2 µg m
-3
(-5.3 %)
-0.8 µg m
-3
(-2 %)
NO
x
+Verkehr + O
3
23.5 µg m
-3
(17.5 %)
15.1 µg m
-3
(12.2 %)
-6.8 µg m
-3
(-5.8 %)
-7.8 µg m
-3
(-6.9 %)
O
3
Basis
0 µg m
-3
(0 %)
-5.2 µg m
-3
(-13.1 %)
0.9 µg m
-3
(2.2 %)
3.7 µg m
-3
(9.1 %)
Einfluss der Witterung auf Jahresmittelwerte
Meteorologische Normalisierung („Witterungsbereinigungbereinigung“)
Einfluss der Witterung auf Jahresmittelwerte an DD-Bergstr.
2017:
5% niedrigeres NO
2
als bei mittlerer
Witterung + mittlerem O
3
2018:
2 % niedrigeres NO
2
als bei mittlerer
Witterung + mittlerem O
3
-
ursachliche Einflussgrößen können aus Modell nicht abgeleitet werden
-
Einfluss der WIG ist wahrscheinlich

image
 
Einfluss auf Jahresmittelwerte
Meteorologische Normalisierung („Wetterbereinigung“)
Einfluss der Witterung auf NO
2
Jahresmittelwerte in Sachsen, gemittelt über Stationstypen, Basismodell
2017: günstige Bedingungen für Ausbreitung und Verdünnung führen zu etwas niedrigeren NO
2
-Immissionen, v.a.
an Verkehrsstationen
2018: hohes O
3
durch hohe TMP und GLO führte möglicherweise teilw. zu höherem NO
2
an Verkehrsstationen
im Jahresmittel 2018 überwiegen allerdings weitere Einflüsse, die in Summe zu etwas niedrigeren NO
2
-
Immissionen führten
Witterungsbereinigter Trend kann zur Quantifizierung des meteorologischen Einflusses verwendet werden
Stationstyp
Schadstoff
2015
2016
2017
2018
Verkehr
NO
2
-0,2%
2,1%
-2,1%
-1%
städt. Hintergr.
NO
2
-2,7%
3,8%
-0,3%
-1,9%
ländl. Hintergr.
NO
2
-5,8%
5,3%
1,5%
-5,6%
Erzgebirgskamm
NO
2
-3,9%
1,1%
-0,9%
-1,2%

image
 
Analyse von Interventionen

image
 
Analyse von Interventionen
DD-Bergstr.:
- 2016 Mini-Messcontainer ersetzt durch begehbaren Messcontainer
Einlasshöhe zur Probenahme Gase ab 20.05.16 von 1,8 m auf 3,6 m erhöht
Auswirkungen auf Immissionen aus reinen Messdaten nicht abzuleiten
witterungsbereinigter Trend

image
image
image
image
 
Analyse von Interventionen
witterungsbereinigter Trend DD-Bergstr., Basismodell + Verkehrsdichte + Ozon
-
Sprung in NO, NO
2
und NO
x
Trend ca. 20
Tage vor Einlasshöhenänderung
-
ca. - 5 µg/m
3
NO,
ca. - 2 µg/m
3
NO
2
ca. - 10 µg/m
3
NO
x
- 4-8%, ähnlich zu früheren Messungen
-
vorher und nacher relativ stabiler Trend
Sprung in Trend wahrscheinlich durch
Einlasshöhenänderung verursacht
Änderung Einlasshöhe

image
image
 
Zusammenfassung

image
 
Zusammenfassung
BRT-Modell
geeignetes Hilfsmittel, um komplexe Einflüsse der Meteorologie auf Immissionen zu untersuchen
Verkehrsdichte
ist an allen Verkehrsstationen maßgeblich für NO
x
-Immissionen verantwortlich
Windgeschwindigkeit
und
Mischungsschichthöhe
weitere wichtige Einflussgrößen
an Verkehrsstationen deutlicher Einfluss der
Temperatur
> 20°C, mglw. durch „Thermofenster“
Einfluss der
relativen Luftfeuchte
auf NO
2
an DD-Bergstr, trockene Deposition oder Motoremissionen
Niederschlag
hat keinen Einfluss auf NO
2
, allerdings unterschätzt Radolan-Produkt Intensität und Häufigkeit von
Regenereignissen
Globalstrahlung
hat keinen Einfluss auf NO
2
Ozon
zeigt komplexe Einflüsse auf NO
2
und NO
x
, kann Quelle und Senke sein
Einfluss der Witterung auf NO
2
in DD-Bergstr.: -2 µg m
-3
in 2017, -1,5 µg m
-3
in 2018
wichtige Ursache hierfür die höheren mittleren Windgeschwindigkeiten
Änderung der Einlasshöhe
führte zu Reduktion der NOx-Immissionen um ca. 4-8%
Vielen Dank für ihre Aufmerksamkeit!