Spatial analysis of air masses backward trajectories in order to identify distant sources of fine particulate matter emission

• Autorzy: Godłowska J. , Hajto M. J. , Tomaszewska A. M.

Identyfikatory

DOI

10.1515/aep-2015-0015

Warianty tytułu

PL

Analiza przestrzenna wstecznych trajektorii mas powietrza w celu rozpoznania odległych źródeł emisji pyłu drobnego

• Języki publikacji: EN

Abstrakty

EN

The paper presents a method of identifying distant emission sources of fine particulate matter PM2.5 affecting significantly PM2.5 concentrations at a given location. The method involves spatial analysis of aggregate information about PM2.5 concentrations measured at the location and air masses backward trajectories calculated by HYSPLIT model. The method was examined for three locations of PM2.5 measurement stations (Diabla Góra, Gdańsk, and Katowice) which represented different environmental conditions. The backward trajectories were calculated starting from different heights (30, 50, 100 and 150 m a. g. l.). All points of a single backward trajectory were assigned to the PM2.5 concentration corresponding to the date and the site of the beginning of trajectory calculation. Daily average concentrations of PM2.5 were used, and in the case of Gdańsk also hourly ones. It enabled to assess the effectiveness of the presented method using daily averages if hourly ones were not available. Locations of distant sources of fine particulate matter emission were determined by assigning to each grid node a mean value of PM2.5 concentrations associated with the trajectories points located within the so-called search ellipse. Nearby sources of fine particulate matter emission were eliminated by filtering the trajectories points located close to each other (so-called duplicates). The analyses covered the period of January-March 2010. The results indicated the different origin of air masses in the northern and southern Poland. In Diabla Góra and Gdańsk the distant sources of fine particulate matter emission are identified in Belarus and Russia. In Katowice the impact of the Belarusian PM2.5 emission sources was also noted but as the most important fine particulate matter emission sources were considered those located in the area of Romania, Hungary, Slovakia and Ukraine.

PL

W pracy zaprezentowano metodę rozpoznawania odległych źródeł emisji pyłu drobnego PM2.5, polegającą na przestrzennej analizie łącznej informacji o imisji PM2.5 oraz o wstecznych trajektoriach mas powietrza, obliczonych za pomocą modelu HYSPLIT. Trajektorie wsteczne obliczono startując z wysokości 30, 50, 100 i 150 m n.p.g., dla trzech lokalizacji stacji pomiarowych stężeń PM2.5 (Diabla Góra, Gdańsk, Katowice), reprezentujących różne warunki środowiskowe. Wszystkim punktom pojedynczej trajektorii wstecznej przyporządkowano stężenie PM2.5 odpowiadające dacie startu obliczeń tej trajektorii. Użyto dobowych średnich stężeń PM2.5, a w przypadku Gdańska dodatkowo także godzinnych średnich, co umożliwiło ocenę skuteczności przedstawionej metody. Położenie odległych źródeł emisji pyłu drobnego zostało określone poprzez interpolację danych punktowych trajektorii do regularnej siatki przy zastosowaniu metody metryki danych. Każdemu węzłowi siatki przypisano wartość średnią obliczoną ze stężeń PM2.5 przyporządkowanych punktom trajektorii znajdujących się w obrębie tzw. elipsy wyszukiwania. Przed obliczeniem wartości średniej ukryto część danych, eliminując w ten sposób bliskie źródła emisji pyłu drobnego. Analizy objęły okres styczeń-marzec 2010 roku. Wyniki wskazały na odmienne pochodzenie mas powietrza w północnej i południowej Polsce. W Diablej Górze i Gdańsku odległe źródła emisji pyłu drobnego rozpoznano głównie w Białorusi i Rosji. W Katowicach również zaznaczył się wpływ źródeł białoruskich, ale jako najbardziej istotne odległe źródła emisji PM2.5 uznano te zlokalizowane na obszarze Rumunii, Węgier, Słowacji i Ukrainy.

Słowa kluczowe

EN

backward trajectories; air masses; emission sources; particulate matter; PM2.5

PL

trajektoria wsteczna; masy powietrza; źródła emisji; pył zawieszony; PM2.5

• Wydawca: Institute of Environmental Engineering, Polish Academy of Sciences
• Czasopismo: Archives of Environmental Protection
• Rocznik: 2015
• Tom: Vol. 41, no. 2
• Strony: 28--35
• Opis fizyczny: Bibliogr. 22 poz., rys., tab.

Twórcy

autor

Godłowska J.

• National Research Institute, Kraków, Poland Institute of Meteorology and Water Management

autor

Hajto M. J.

• National Research Institute, Kraków, Poland Institute of Meteorology and Water Management

autor

Tomaszewska A. M.

• National Research Institute, Kraków, Poland Institute of Meteorology and Water Management

Bibliografia

• [1] Ashbaugh, L.L. (1983). A statistical trajectory technique for determining air pollution source regions, Journal of Air Pollution Control Association, 33, pp. 1096-1098.
• [2] Ashbaugh, L.L., Malm, W.C. & Sadeh, W. Z. (1985). A residence time probability analysis of sulphur concentration at Grand Canyon National Park, Atmospheric Environment, 19, pp. 1263-1270.
• [3] CEIP Website, (http://www.ceip.at/webdab-emission-database/emissions-as-used-in-emep-models/(28.11.2014)).
• [4] Draxler, R.R. (1999). HYSPLIT 4 user’s guide, NOAA Tech. Memo. ERL ARL-230, NOAA Air Resources Laboratory, Silver Spring, 1999.
• [5] Draxler, R.R. & Hess, G.D. (1997). Description of the HYSPLIT 4 modeling system, NOAA Tech. Memo. ERL ARL-224, NOAA Air Resources Laboratory, Silver Spring, MD.
• [6] Draxler, R.R. & Hess, G.D. (1998). An overview of the HYSPLIT 4 modeling system of trajectories, dispersion, and deposition, Australian Meteorological Magazine, 47, pp. 295-308.
• [7] Draxler, R.R. & Rolph, G.D. (2013). HYSPLIT (HYbrid Single-Particle Lagrangian Integrated Trajectory) Model access via NOAA ARL READY NOAA Air Resources Laboratory, Silver Spring 2013 (http://www.arl.noaa.gov/ready/hysplit4.html (11.03.2015)).
• [8] Godłowska, J. (2010). An attempt to determine winter distant source PM10 regions for Upper Silesia and Malopolska using backward trajectories calculated by HYSPLIT model, In Ochrona powietrza w teorii i praktyce, Konieczyński, J. (Ed.), IPIŚ PAN Zabrze 2010, 2, pp. 69-80. (in Polish)
• [9] Kahl, J.D. & Samson, P.J. (1986). Uncertainty in trajectory calculations due to low resolution meteorological data, Journal of Climate and Applied Meteorology, 25, pp. 1816-1831.
• [10] Kahl, J.D. & Samson, P.J. (1988). Uncertainty in estimating boundary-layer transport during highly convective conditions, Journal of Applied Meteorology, 27, pp. 1024-1035.
• [11] Kleist, D.T, Parrish, D.F, Derber, J.C., Treadon, R., Wan-Shu, W. & Lord, S. (2009). Introduction of the GSI into the NCEP Global Data Assimilation System, Weather and Forecasting, 29, pp. 1691-1705.
• [12] Klejnowski, K., Błaszczak, B., Błaszczyk, J., Krasa, A., Rogula, P., Rogula-Kozłowska, W., Mathews, B., Ośródka, L., Krajny, E., Wojtylak, M., Godłowska, J., Hajto, M.J., Kaszowski, W., Rozwoda, W., Tomaszewska, A.M., Białoskórska, U., Bruszewski, H., Degórska, A., Prządka, Z., Śnieżek T., Typiak-Nowak, D., Strzelecka- -Jastrząb, E., Kliś, C., Korszun, K., Fudała, J., Krajewska, J., Łukasik, K., Kwosek, M., Kubrak, J., Witoszek, M. & Kotuła, M. (2011). Analysis of the State of air pollution particles PM10 and PM2.5 with regard to the chemical composition of particulate matter and the effect of natural sources-final report. Inspekcja Ochrony Środowiska, Zabrze 2011 (http://powietrze.gios.gov.pl/gios/site/content/publications/(11.03.2015)). (in Polish)
• [13] Miller, J.M. (1981a). A five-year climatology of back trajectories from Barrow, Alaska, Atmospheric Environment, 15, pp. 1401-1405.
• [14] Miller, J.M. (1981b). A five-year climatology of back trajectories from Mauna Loa Observatory, Hawaii, Atmospheric Environment, 15, pp. 1553-1558.
• [15] Moody, J.L., Oltmans, S.J., Levy, I.H. & Merrill, J.T. (1995). Transport climatology of tropospheric ozone: Bermuda, 1988-1991, Journal of Geophysical Research, 100, pp. 7179-7194.
• [16] Rolph, G.D. (2013). Real-time Environmental Applications and Display sYstem (READY). NOAA Air Resources Laboratory, Silver Spring 2013 (http://www.arl.noaa.gov/ready/hysplit4.html (11.03.2015)).
• [17] Seibert, P., Kromp-Kolb, H., Baltensperger, U., Jost, D.T. & Schwikowski, M. (1994). Trajectory analysis of high alpine air pollution data. In: Air Pollution Modelling and its Application Gryning, S.E., and Millan, M.M., (Eds.), Plenum Press, pp. 595-596, New York 1994.
• [18] Stohl, A. (1996). Trajectory Statistics - a new method to establish source-receptor relationships of air pollutants and its application to the transport of particulate sulphate in Europe, Atmospheric Environment, 30, pp. 579-587.
• [19] Stohl, A. (1998). Computation, accuracy and applications of trajectories - a review and bibliography, Atmospheric Environment, 32, pp. 947-966.
• [20] Stohl, A., Wotawa, G., Seibert, P. & Kromp-Kolb, H. (1995). Interpolation errors in wind fields as a function of spatial and temporal resolution and their impact on different types of kinematic trajectories, Journal of Applied Meteorology, 34, pp. 2149-2165.
• [21] Walmsley, J.L. & Mailhot, J. (1983). On the numerical accuracy of trajectory models for long-range transport of atmospheric pollutants, Atmosphere-Ocean, 21, pp. 14-39.
• [22] White, W.H., Macias, E.S., Kahl, J.D., Samson, P.J., Molenar, J.V. & Malm, W.C. (1994). On the potential of regional- -scale emissions zoning as an air quality management tool for the Grand Canyon, Atmospheric Environment, 28, pp. 1035-1045.