Luftkvalitetsmodeller til kortlægning og kommunikation af luftforurening i byer

AF JULIA LUONGO, RAMBØLL Pandemien har belyst sammenhængen mellem klima, miljøretfærdighed og folkesundhed. Den har yderligere intensiveret behovet for at tænke sig om og have indsigt, da byer kæmper med at vurdere effektiviteten af foranstaltninger og forblive modstandsdygtige.

Eftersom 92% af verdens befolkning bor i områder, som Verdenssundhedsorganisationen (WHO) anser for at overstige sikre luftforureningsniveauer, er der et presserende behov for at forstå luftforurening bedre. Relationen mellem luftforurening og COVID-19 er blot endnu en påmindelse om, hvor vigtig ren luft er.

I de senere år har der været en kraftig stigning i omfanget af litteratur omhandlende luftsensorer. ”Internet of Things” luftkvalitetssensorer revolutionerer overvågningen og vurderingen af luftforureningen. Dette dækker også over en stigning i enkeltindividers brug af sensorer, se figur 1, hvor et eksempel herpå er vist med ”Sensor. Community” i Tyskland og globalt.

Ud over den akademiske verden anvender også nonprofitorganisationer og samfundsgrupper sensornetværker for bedre at forstå luftkvaliteten og for bedre at kunne advokere for ren luft. Offentlige agenturer og byer, som AirParif i Paris, Frankrig, Londons ”Breathe London”program, Berlins ministerium for miljø, transport og klimabeskyttelse, eller EU-finansierede programmer som CITI-SENSE i 9 europæiske byer, herunder Oslo, Edinburgh og Barcelona, administrerer alle sensornetværk for at kunne levere mere information til offentligheden. De fleste formål med sensorprojekter synes at cirkulere om ét centralt tema: Jo flere data, des bedre forståelse. >>

Figur 1. Kortet viser den omfattende dækning af Crowd sourced luftkvalitetssensorer fra Sensor.Community-netværket. Det anslås, at Sensor. Community udgør over ti tusind sensorer i mere end 70 lande.

”Flere data” henviser til et skifte fra regional til lokal luftkvalitet. I de fl este byer lever store dele af befolkningen fl ere kilometer eller længere væk fra den nærmeste reguleringsmonitor. En eksponering for luftforurening kan ændre sig radikalt over så store afstande. Nogle regioner mangler pålidelige data fra overvågning af luftkvalitet i det hele taget. Desuden formår mange reguleringsmonitorer ikke at give information i realtid.

Af disse grunde benytter byer sig i højere grad af nyere og mere omkostningseff ektive sensorer for at få bedre data – herunder en tættere rumlig og tidsmæssig dækning, der er tilgængelig i realtid. Mens reguleringssensorer har bedre kvalitetskontrol, kan mere omkostningseff ektive luft sensorer udfylde hullerne.

Byerne ønsker at besvare spørgsmålene om hvordan, vores eksponering ser ud på et mere detaljeret niveau, og hvem, der bidrager til disse eksponeringer.

Mens et øget antal af luftkvalitetssensorer udgør et værdifuldt værktøj til at besvare det første spørgsmål, er det nødvendigt at foretage yderligere analyser for at besvare det andet spørgsmål. Dermed kan den specifi kke årsag bag luftforureningen diagnosticeres. Værdien af at dele viden og sikre klar kommunikation om, hvad data betyder, kommer i tilgift, mens en indsigt i luftkvalitet og gennemsigtighed af årsager til dårlig luftkvalitet understøtter ønsket om en bedre luftkvalitet og en forståelse for investeringer til at reducere luftforurening.

Vi har udviklet en tilgang, der udnytter, at man kan kombinere data fra omkostningseff ektive luftsensorer og reguleringsmonitorer med en analytisk indsigt i simulering af luftkvalitetsmodeller. Derved kan opnås datagennemsigtighed og kortlægning i realtid.

I Shair-modellen (Share the air) kombineres den internationalt anerkendte fotokemiske model, CAMx, med en meget eff ektiv spredningsmodel på gadeniveau, Shair-street, i 10 x 10 meter beregningsceller. Vejrudsigter i realtid og opgørelse over regionale emissioner er input til CAMx, mens trafi kemissioner i realtid bliver beregnet og tilføjet til Shair-street for at modellere lokal spredning.

Modellen kører automatisk hver time og inkorporerer observationer fra reguleringsmonitorer og sensornetværk i en blandet interpolationsmetode for at justere modelresultatet på kortet, der vises i realtid, se fi gur 2. >>

Figur 2. Et resultat fra Shair-modellen, der visualiserer forureningsspredning fra meget trafi kerede veje.

Figur 3 Et skærmbillede af den interaktive GIS-platform for Shair-modellen, der viser estimatet af kildebidrag til forurenende koncentrationer på et udvalgt sted i kortet.

Modellen udnytter CAMx-modellens evne til at producere kildefordelingsresultater. Dette betyder, at for et hvilket som helst punkt i modellen vil vi kunne vise det procentvise bidrag fra alle luftforureningskilder indeholdt i modellen. Det giver svar på spørgsmålet om hvilke kilder, der bidrager til forurening på et givet sted og tidspunkt, se figur 3.

Usikkerheden på estimaterne afhænger af nøjagtigheden af input i modellen. Hvad med kilder, der ikke er i modellen (som fyrværkeri eller skovbrande)? Eller hvad hvis modellen eller den underliggende emissionsopgørelse er forkert og ikke i overensstemmelse med de observerede værdier?

I tilfælde af, at modellen ikke forudsiger den målte koncentration korrekt, gør modellen opmærksom på denne uoverensstemmelse med en ”Ukendt” kildekategori. Dette er en af de unikke egenskaber ved tilgangen, der skaber større indsigt og en holistisk forståelse af dynamikker i luftkvalitet. Ved at identificere ukendte kilder får brugerne indsigt i, hvor data og input til modellen skal finjusteres, og hvor modellen ikke repræsenterer virkeligheden på tilfredsstillende vis. Hvis modellen fx ikke har taget højde for luftforureningsbidraget fra brændeovne, vil det være en ny kilde, der skal tilføjes til modellen. Derved gives en indsigt i brændeovnenes bidrag til den lokale luftforurening.

Data, der er genereret af modellen, bliver brugt på en række forskellige måder. For nylig har webapplikationen været en værdifuld ressource til visualisering og kommunikation i forbindelse med de store skovbrande i Californien. Realtidsvisualisering er et værdifuldt kommunikationsværktøj for at træffe de bedst mulige beslutninger for at minimere luftforurening.

Ved at gøre luftkvalitetsdata og information om kilder og emissioner åbent tilgængelige for offentligheden kan der skabes en dialog om ren luft og om behovet for at sænke emissionerne fra forskellige kilder for derved at forbedre luftkvaliteten.