SINZaP - intelligent air pollution monitoring system

• Autorzy: Kliś Cz. , Bronder J.

Warianty tytułu

PL

SINZaP- inteligentny system monitoringu zanieczyszczeń powietrza

• Języki publikacji: EN

Abstrakty

EN

The paper presents a mature concept of an intelligent monitoring system of air pollution inflow and its realization in the form of a SINZaP system lunched at Institute for Ecology of Industrial Areas (IETU) in 2006. SINZaP is a real time operating system resembling a neural network. It is designed for modeling of pollutant emissions and air pollutants concentrations, addressed to specialists or decision makers responsible for air quality management. For modeling of emission and air pollutants concentrations in SIZNaP system, a back trajectory model - BackTrack has been used, which is based on VLSTRACK model. The essential feature of the BackTrack model is the application of back trajectories in the selection of emission sources influencing a given receptor. For modeling of trajectories BackTrack uses three-dimensional wind fields, friction velocity, Monin-Obukhov length and mixing layer height. SINZaP consists of four main modules: (1) data module including data scanner for reading public data accessible in the Internet, (2) module for preparation of meteorological data, (3) BackTrack module for simulations of pollutants emissions and simulations of air pollutants concentrations, and (4) Trainer module, the task of which is correction of input parameters for adjusting modeling and observed data.

PL

Artykuł przedstawia koncepcję inteligentnego systemu kontroli napływu zanieczyszczeń powietrza oraz implementację systemu zwaną SINZaP, uruchomioną w IETU w 2006 r. SINZaP jest działającym w czasie rzeczywistym systemem do modelowania emisji zanieczyszczeń i stężeń zanieczyszczeń powietrza, podobnym do sieci neuronowej, przeznaczonym dla specjalistów w zakresie zarządzania jakością powietrza W SINZaP do modelowania emisji i stężeń zanieczyszczeń powietrza wykorzystano model trajektoryjny BackTrack bazujący na modelu VLSTRACK. Cechą BackTrack jest wykorzystanie trajektorii wstecznych do selekcji źródeł oddziałujących na receptor. Do modelowania trajektorii BackTrack wykorzystuje trójwymiarowe pole wiatru, prędkość dynamiczną, długość Monina-Obuchowa oraz wysokość warstwy mieszania. SINZaP składa się z czterech głównych modułów: (1) modułu danych w tym skanera danych o jakości powietrza udostępnionych w intemecie, (2) modułu przygotowania danych meteorologicznych, (3) modułu BackTrack do symulacji emisji zanieczyszczeń i symulacji stężeń, (4) modułu modyfikującego parametry źródeł w oparciu o analizę wyników modelowania i wyników monitoringu

Słowa kluczowe

EN

trajectories; back-trajectories; Lagrangian transport and dispersion model; BackTrack; neural network

PL

model trajektoryjny; trajektoria; BackTrack; trajektoria wsteczna; sieci neuronowe

• Wydawca: Institute of Environmental Engineering, Polish Academy of Sciences
• Czasopismo: Archives of Environmental Protection
• Rocznik: 2008
• Tom: Vol. 34, spec.
• Strony: 5--21
• Opis fizyczny: bibliogr. 24 poz., tab., wykr.

Twórcy

autor

Kliś Cz.

• Institute for Ecology of Industrial Areas ul. Kossutha 6, 40-844 Katowice, Poland

autor

Bronder J.

• Institute for Ecology of Industrial Areas ul. Kossutha 6, 40-844 Katowice, Poland

Bibliografia

• [1] Ashbaugh L.L.: A statistical trajectory technique for determining air pollution source regions, J. Air Pollution Control. Ass., 33, 1096-1098 (1983).
• [2] Athanasiadis I.N., V.G. Kaburlasos, P.A. Mitkas, V. Petridis: Applying Machine, Learning Techniques on Air Quality Data for Real-Time Decision Support, [in:] First International NAISO Symposium on Information Technologies in Environmental Engineering (ITEE'2003), Gdansk, Poland, 2003 (accepted for publication) available at: http://danae.ee.auth.gr/en/pdf/itee2003.pdf).
• [3] Bauer T.J.: NSWCDD/TR-99/6, Software Design Description for the Chemical/Biological Agent Vapor, Liquid, and Solid Tracking (VLSTRACK) Computer Model, Version 3.0, Dahlgren, VA: Systems Research and Technology Department, Naval Surface Warfare Centre, 1998.
• [4] CITY-DELTA, European Modelling Exercise, An Inter-comparison of long-term model responses to urban-scale emission-reduction scenarios, http://aqm.jrc.it/citydelta/.
• [5] FarhanA., B. Whitesides, B. Yan, Back Trajectory Techniques in Air Pollution, U/19/2003, EAS 6792, http://apollo.eas.gatech.edu/EAS6792/2003/presentations/back_trajectory.ppt.
• [6] Gebhart K. A. et al.: Back-trajectory analyses of fine paniculate matter measured at Big Bend National Park in the historical database and the 1996 scoping study, The Science of the Total Environment, 276, 185-204(2001).
• [7] Henderson R.G., K. Weingartner: Trajectory analysis of MAP3S precipitation chemistry data at Ithaca, AT, Atmospheric Environment, 16, 1657-1665 (1982).
• [8] Hertel O., R. Berkowicz: Modelling NO, concentrations in a street canyon, DMU Luft-A131, National Environmental Research Institute, Roskilde 1989, pp. 31.
• [9] High Resolution Limited Area Model, http://hirlam.org/.
• [10] Hławiczka S., B. Marolewska: Transformation of SO, in atmospheric air of industrial areas affecting the impact area of an emission source, Człowiek i Środowisko, 9(3) 357-368 (1985).
• [11] Hławiczka S.: Transformation of nitrogen oxides in the atmospheric air, interaction and process kinetics and their role in selected environmental protection issues, Nitrogen oxides and their impact of the environment, emission reduction, Wydawnictwo Geologiczne, Warszawa 1988, pp. 23.
• [12] Improving and Applying Methods for the Calculation of Natural and Biogenic Emissions and Assessment of Impacts on Air Quality (NatAir http://natair.ier.uni-stuttgart.de/.
• [13] Janssen L., J. van Wakeren, H. van Duuren, A. Elshout: A classification of NO oxidation rates in power plant plumes based on atmospheric conditions, Atmospheric Environment, 22, 43-53 (1988).
• [14] Kliś C: Identification System of Air Pollution Inflow, grant KBN nr 4 TO9D 011 24, Katowice 2004.
• [15] Kliś C, M. Matejczyk: Assessment of air pollution in the years 1992 - 1996 in the region of Kędzierzyn-Kożle based on data from automatic monitoring BAŚKI, IETU, Katowice 1997.
• [16] Kliś C, M. Matejczyk: Assessment of impact of emission sources on air pollution concentrations, Archiwum Ochrony Środowiska, 27, 4, 27-37 (2001).
• [17] Korcz M , J. Fudała, C. Kliś, J. Bronder, J. Długosz: Development of natural emission calculation methods for Europe: Windblown dust emissions Improving and applying methods for the calculation of natural and biogenic emissions and assessment of impacts to the air quality, (NatAir), 2005.
• [18] Machenhauer B. HIRLAM Final Report, Copenhagen 1988.
• [19] Reap R.M.: The Meteorological Development Laboratory Three-Dimensional Trajectory Model, Technical Procedures Bulletin (TPB) 397, National Oceanic and Atmospheric Administration (NOAA), U.S. Department of Commerce, 1992.
• [20] Saucier R.: CRDEC-TR-87046, NUSSE3 Model Description, Aberdeen Proving Ground, MD: US Army Chemical Research, Development and Engineering Center, 1987.
• [21] Sofiev M., I. Valkama, M. Ilvonen, P. Siljamo: Finnish Emergency Modelling Framework SILAMv.3.5., http://silam.fmi.fi/.
• [22] Stohl A.: Computation, accuracy and applications of trajectories data review and bibliography, Atmospheric Environment, 32 (6), 947-966 (1998).
• [23] Stohl A., H. Scheifinger: A weather pattern classification by trajectory clustering, Meteorol. Z. N.F. 6, 333-336(1994).
• [24] Sturman A., P. Zawar-Reza: Application of back-trajectory techniques to the determination of urban clean air zones. Atmospheric Environment, 36, 3339-3350 (2002).