Optimierung der Modellierung der langfristigen Luftqualität 1

Transkript

1 Optimierung der Modellierung der langfristigen Luftqualität 1 Hans-Jürgen Panitz Forschungszentrum Karlsruhe / Institut für Meteorologie und Klimaforschung, Hermann-von-Helmholtz-Platz 1 D Eggenstein-Leopoldshafen panitz@imk.fzk.de Motivation, Zielsetzung und Vorgehensweise Untersuchungen der Schadstoffbelastung einer Region mit Hilfe nicht-hydrostatischer, mesoskaliges Chemie-Transport-Modelle (CTM), wie B. KAMM/DRAIS, wurden in der Regel für kurzfristige Episoden durchgeführt. Eine Verallgemeinerung der Ergebnisse aus der episodenhaften Betrachtung auf längere Zeiträume ist aber nicht möglich, da eine Episode nur einen kleinen Teil des Spektrums atmosphärischer Bedingungen abdeckt. Diese haben aber einen entscheidenden Einfluss auf die regionale Verteilung der Schadstoffbelastung. Um zu einer Aussage über die längerfristige Schadstoffbelastung zu kommen, sollte daher möglichst das gesamte Spektrum der meteorologischen Situationen, die über längere Zeiträume auftreten, berücksichtigt werden. Neben der tageszeitlichen Variabilität der Schadstoffbelastung interessieren bei Langfristuntersuchungen auch jahreszeitliche Abhängigkeiten. Dies macht es erforderlich, mehrere Jahre zu betrachten. Nicht-hydrostatische, mesoskalige Modelle sind allerdings sehr komplex und aufwändig, so dass der Zeit- und Kostenaufwand für die Berechnung der langfristigen Schadstoffbelastung sehr groß wäre. Das gilt insbesondere, wenn die zukünftigen langfristigen Auswirkungen unterschiedlicher Strategien zur Verminderung der Schadstoffbelastung untersucht und quantifiziert werden sollen. Dies erfordert eine mehrfache Wiederholung der Modellrechnungen. Daher ist es für praktische Anwendungen sinnvoll, ein effektives Berechnungsverfahren bereitzustellen, das diesen Rechenaufwand durch eine erhebliche Reduzierung der Simulationen in einem vertretbaren Rahmen hält und außerdem zu realistischen und aussagekräftigen Ergebnissen führt. Dies kann durch eine Klassifizierung der meteorologischen Bedingungen erreicht werden. Es ist dann nur noch erforderlich, für jede der resultierenden Klassen eine Simulation durchzuführen und unter Berücksichtigung der jeweiligen Klassenhäufigkeiten statistischen Kenngrößen zur Quantifizierung der Luftqualität zu berechnen. Ziel des in diesem Beitrag beschriebenen Projektes war daher, eine Methode zur Klassifizierung meteorologischer Bedingungen zu entwickeln, die effektiv bei Analysen der langfristigen Luftqualität in einer orographisch strukturierten Region wie Baden-Württemberg angewendet werden kann. Es wurden zwei verschiedene Klassifizierungstechniken hinsichtlich ihrer Anwendbarkeit bei Untersuchungen der Langzeitluftqualität analysiert. Dies waren die klassische Clusterananlyse, wobei die WARD und K-MEANS Methoden verwendet wurden (siehe z.b. Bacher, 2002), und Kohonen s Self Organizing Maps (SOM, Kohonen, 1995). Diese Techniken wurden nach ihrer Effizienz und dem Aspekt beurteilt, ob die resultierenden Klassen das gesamte Spektrum der möglichen meteorologischen Bedingungen repräsentieren. Der Aspekt der Repräsentativität wurde nicht aus meteorologischer Sicht betrachtet, sondern durch die Beantwortung der Frage, inwieweit statistische Größen, die die Luftqualität beschreiben und die auf Basis der Ergebnisse der meteorologischen Klassifizierung abgeleitet wurden, mit statistischen Maßzahlen übereinstimmen, die aus den Ergebnissen einer detaillierten Simulation von Spurengasverteilungen berechnet wurden. Als statistische Maßzahlen wurden Mittel- und Maximalwerte der Schadstoffkonzentrationen verwendet sowie Perzentile und, in Bezug auf Ozon, Luftqualitätsindikatoren wie z.b. AOT40 und SOMO35. Im Sinne einer Vorstudie dienten die Arbeiten der Entwicklung eines effizienten Klassifizierungs- und Analysewerkzeugs und der Demonstration seiner prinzipiellen Nutzbarkeit. Aus diesem Grunde wurde kein langer Zeitraum von 10 bis 20 Jahren, sondern nur ein Jahr betrachtet. Die Detailsimulationen wurden für das Jahr 2000 mit dem CTM KAMM/DRAIS im Gebiet Baden-Württembergs 1 Das Projekt wurde von der Landesstiftung Baden-Württemberg unter der Kennziffer 740 finanziert

2 durchgefürht, und es wurden stündliche dreidimensionale Konzentrationsverteilungen aller 41 RADM2 Spezies berechnet. Aus den Ergebnissen dieser Detailsimulation wurden statische Luftqualitätskennzahlen ermittelt. Zur Klassifizierung der täglichen großräumigen meteorologischen Bedingungen unter Verwendung der unterschiedlichen Verfahren wurden Ergebnisse des großskaligen, europaweiten Modells EURAD (Hass, 1991) benutzt. Aus jeder der resultierenden Klassen wurde ein Tag gewählt, der die klassifizierte meteorologische Situation repräsentierte. Die Konzentrationsverteilungen für jeden der repräsentativen Tage mussten nicht neu berechnet werden, sie waren bereits aus der Detailsimulation bekannt. Unter Berücksichtigung der Klassenhäufigkeiten und auf der Basis der für jeden repräsentativen Tag bereits ermittelten Schadstoffverteilungen wurden dann die statistischen Kenngrößen zur Luftqualität erneut berechnet. Durch den Vergleich dieser Kenngrößen mit denjenigen, die aus der vollständigen Simulation hergeleitet worden waren, ließen sich die Klassifizierungstechniken hinsichtlich der Repräsentativität der gefundenen Klassen und ihrer praktischen Eignung zur Verwendung bei der Bearbeitung von Fragestellungen im Bereich der Luftreinhaltung bewerten. Obwohl die Methodenentwicklung im Vordergrund des Projektes stand, wurden auch Vergleiche der Ergebnisse der Detailsimulation mit Messdaten der Schadstoffkonzentrationen bzw. mit den Werten für Luftqualitätskenngrößen, die aus Messdaten ermittelt wurden, vorgenommen. Diese Vergleiche zeigten, dass mit dem Modellsystem KAMM/DARAIS sowohl die Schadstoffbelastung in der Region Baden-Württembergs als auch quantitative Maßzahlen zur Kennzeichnung der Luftqualität in zufrieden stellender Übereinstimmung mit der Realität wiedergegeben werden können. Für die Vergleiche wurden von der Landesanstalt für Umwelt, Messungen und Naturschutz Baden- Württemberg (LUBW) die Daten von insgesamt 62, über das Gebiet Baden-Württembergs verteilte Stationen zur Verfügung gestellt (Abb. 1.b). Das Modellsystem KAMM/DRAIS, externe Daten und Durchführung der Detailsimulation Das für verwendete Modellsystem KAMM/DRAIS (Adrian and Fiedler, 1991; Nester et al., 1995; Panitz et al., 2002, Nester and Panitz, 2004, Nester and Panitz, 2006) besteht aus dem nichthydrostatischen mesoskaligen Atmosphärenmodell KAMM (Karlsruhe Atmosphärisches Mesoskaliges Modell) und dem Ausbreitungsmodell DRAIS (Dreidimensionales Regionales Ausbreitungs-Immissions-Simulationsmodell). DRAIS enthält als Modul den Gasphasenmechanismus des RADM2 (Regional Acid Deposition Model, Stockwell, et al (1990)), um chemische Reaktionen in der Atmosphäre zu berücksichtigen. Für die Durchführung einer kontinuierlichen Langzeitsimulation waren einige technische Erweiterungen des Modells erforderlich (Panitz, 2006). Außerdem Parametrisierung der Nasschemie aus dem RADM2 Modell (Chang et al., 1987; Hass, 1991) übernommen und an das KAMM/DRAIS Modell angepasst. Durch die Einführung einer Vegetationsfunktion (siehe z.b. Braun, 2002) wurden in Abhängigkeit vom Julianischen Tag zeitliche Variationen des Leaf Area Index (LAI), des Bodenbedeckungsgrades und einiger aerodynamischer Parameter berücksichtigt. Für die Modelle KAMM und DRAIS notwendige Antriebsdaten, Anfangs- und Randwerte sowie optionale Nudgingfelder wurden aus den Ergebnissen des Modells EURAD abgeleitet. Das dazu verwendete Ein-Wege-Nesting ist bei Nester et al. (1995) beschrieben. Die stündlichen EURAD Modellergebnisse für das Referenzjahr 2000 wurden von der EURAD Gruppe an der Universität zu Köln mit einer räumlichen Auflösung von 25 km * 25 km zur Verfügung gestellt. Es wurde also unterstellt, dass die Resultate des EURAD Modells die realen großskaligen meteorologischen und schadstoffbedingten Verhältnisse für das Jahr 2000 repräsentieren. Messdaten gingen nicht in die Simulation mit dem System KAMM/DRAIS ein. Stündliche Daten der anthropogenen Emissionen für das Jahr 2000 wurden am Institut für Energiewirtschaft und rationelle Energieanwendung (IER, Universität Stuttgart, Kühlwein et al., 2002, Pregger et al., 2003) mit einer räumlichen Auflösung von 5 km * 5 km generiert. Biogene Kohlenwasserstoffemissionen werden ebenfalls berücksichtigt (Pierce et al., 1990; Vogel et al., 1995).

3 0 SUED <-- (Y in Km) --> NORD Saarbruecken Basel Kehl Freiburg Mannheim Karlsruhe Freudenstadt Heilbronn Stuttgart Konstanz WEST <-- (X in Km) --> OST Ulm Abbildung 1.a: Modellgebiet für die KAMM/DRAIS Simulationen TOPO (m) Above Below 0 SUED <-- (km) --> NORD WEST <-- (km) --> OST TOPO (m) Above Below 0.0 Abbildung 1.b: Lage von Messstationen innerhalb des Modellgebietes Das Simulationsgebiet, das mit einem Rechengitter bestehend aus 59*57*35 Gitterpunkten überzogen war, hatte eine Ausdehnung von 290 km * 270 km und umfasste ganz Baden-Württemberg sowie Teile benachbarter Bundesländer und Frankreichs und der Schweiz (Abb. 1.a) Die horizontale Maschenweite des Rechengitters betrug 5 km. Vertikal war das Rechengebiet in 35 Rechenflächen unterteilt, die Obergrenze des Modellgebietes lag bei 5000 m über NN. Die vertikale Auflösung in unmittelbarer Bodennähe betrug etwa 10 m, an der Obergrenze des Gebietes ca. 250 m. Die Simulation begann am 01. Januar 2000, 00:00 UTC, und endete am 31. Dezember 2000, 18:00 UTC. Für die Zeiten danach standen keine Daten des EURAD Modells zur Verfügung. Bei der Initialisierung der Simulation wurde eine Einschwingphase von drei Stunden berücksichtigt, d.h. der Modelllauf begann bereits am , 21:00 UTC, die Ergebnisse wurden aber erst ab dem , 00:00 UTC, betrachtet. Während der Simulation wurde alle zwei Tage reinitialisiert, ebenfalls unter Berücksichtigung einer dreistündigen Einschwingphase. Die Gesamtsimulation wurde also quasi in zweitägige Teilsimulationen aufgeteilt, die unter Berücksichtung der Einschwingphase um 21:00 UTC des Vortages begannen und um 23:00 UTC des Folgetages endeten. Bei Sensitivitätsstudien, die eine Simulationszeit von einem Monat abdeckten, zeigte sich, dass die Reinitialisierung keinen nennenswerten Einfluss auf die Modellergebnisse hatte (Panitz, 2006). Ergebnisse der Detailsimulation Die Darstellung der Ergebnisse der Detailsimulation erfolgt in Form von Vergleichen mit Messdaten auf statistischer Basis, und zwar beispielhaft für Ozon. Weitere Vergleiche, insbesondere für meteorologische Größen, sind im Abschlussbericht des Projektes zu finden (Panitz, 2006). Sowohl aus den Messwerten als auch aus den Modellergebnissen wurden verschiedene statistische Kenngrößen berechnet, die zur Evaluierung von Simulationsmodellen geeignet sind (Tabelle 1, siehe z. B. EPA, 1991; Tarrason, 2003; Nester and Panitz, 2004). Außerdem wurden die zwei Kenngrößen AOT40 und SOMO35 berechnet und verglichen (Tarrason, 2005). Abb. 2 stellt den Jahresgang der mittleren bodennahen Ozonkonzentration im Vergleich zwischen den Modellergebnissen und den Messungen dar. Gemittelt wurde jeweils über alle Stunden eines Tages und über alle Stationen. Insgesamt ist die Übereinstimmung zwischen den Resultaten der Modellrechnung und den Messungen zufrieden stellend. Das wird auch durch den Verlauf des IOA für die mittlere Ozonkonzentration verdeutlicht (Abb. 4). Er ist in den meisten Fällen größer als 0.5. Im Mittel über das ganze Jahr bestätigt der IOA eine Übereinstimmung von 80%. Auffallend in den Ergebnissen ist die systematische Unterschätzung der gemessenen Ozonkonzentrationen durch das Modell im Zeitraum von Januar bis Mai (Abb. 2), deren mögliche Ursachen in Panitz (2006) weiter diskutiert wurden. Es zeigte sich, dass die Randbedingungen für die chemischen Substanzen den größten Einfluss auf die Simulationsergebnisse haben. Der Verlauf des mittleren Bias (Abb. 3) zeigt, dass diese Unterschätzung bis zu 10 ppb und mehr betragen kann. Von Juli bis Oktober ist eine Tendenz in den Modellergebnisse zu erkennen, die gemessen Konzentrationen zu überschätzen, für

4 November und Dezember wieder eine leichte Unterschätzung. Insgesamt sind die Unterschiede aber in der zweiten Jahreshälfte nicht so groß wie in der ersten. Tabelle 1: Definition statistischer Größen zur Modellevaluation. S und O bezeichnen die Modell- bzw. Messdaten, N die Anzahl der Fälle. Ein Querstrich kennzeichnet den Mittelwert über N Fälle. Statistische Kenngröße Definition Mittel über den Raum (über alle Stationen), über die Verschiedene Mittelwerte Zeit sowie über Raum und Zeit Mittleres tägliches Ozonmaximum Mittelwert über alle Stationen Mittlere Abweichung (ppb) N MB = 1 ( S ) (mittlerer Bias, MB) i O i N i Mittlerer absolute Abweichung (ppb) (mittlerer absoluter Fehler, MGE) Mittlere relative Abweichung (%) (mittlerer relativer Bias, MNB) Index of Agreement (IOA, Willmott, 1981) Root Mean Square Error, (RMSE) (ppb) CFD (%) (Nester and Panitz, 2004) AOT40 (ppb h) (Accumulated exposure over a threshold of 40 ppb) Indikator für das Risiko von Schäden an der Vegetation SOMO35 (ppb) (Sum of ozone means over 35 ppb ) WHO Empfehlung als Indikator für gesundheitliche Auswirkungen IOA = 1 N i 1 N MGE = S i O i N i 1 N S = i O MNB i N i Si + Oi N * RMSE 2 ( S O + O O ) i 1 N RMSE = ( ) 2 S i O i N i Kumulative relative Häufigkeit der absoluten Differenzen zwischen Modellergebnis und Messung. AOT 40 = max ( O 3 40 ppb, 0)dt es werden nur Ozonkonzentrationen > 40 ppb berücksichtigt i 2 ( d A 35ppb,0) Ny SOMO 35 = max 8 d = 1 N y = Zahl der Tage eines Jahres d A 8 = Maximum aller 8-stündigen gleitenden Mittelwerte eines Tages Abbildung 2: Jahresgang der täglichen mittleren bodennahen Ozonkonzentration im Vergleich zwischen den Modellergebnissen und den Messungen. Gemittelt wurde über alle Stunden eines Tages und über alle Stationen.

5 Abbildung 3: Mittlere Abweichung zwischen Modellergebnis und Messung für die bodennahe Ozonkonzentration. Gemittelt wurde alle über stündlichen Abweichungen eines Tages und über alle Stationen Abbildung 4: Index of Agreement (IOA) für die mittlere Ozonkonzentration Abb. 5 verdeutlicht, dass die Ozonkonzentrationen im Jahresmittel an den meisten Stationen vom Modell unterschätzt werden. In 48 Fällen (86%) ist die mittlere relative Abweichung kleiner als 15%. In keinem Fall ist sie größer als 30%. Gemittelt über das ganze Jahr und alle Stationen (insgesamt wurden stündlichen Werten berücksichtigt) beträgt die Abweichung zwischen den berechneten und gemessenen Ozonkonzentrationen nur -2.6 ppb und der absolute Fehler MGE 10.6 ppb. Die Jahresmittelwerte der Konzentrationen selbst betragen 21.6 ppb für die Simulation und 23.9 ppb für die Messungen. Abbildung 5: Streudiagramm der Jahresmittelwerte der Ozonkonzentrationen an 56 Messstationen berechnet aus stündlichen Ergebnisdaten der Modellrechnung und der Messungen. Die durchgezogene Linie bezeichnet die 1-zu-1 Gerade, die gestrichelten Linien kennzeichnen den Bereich der ±15% relativen Abweichung, die gepunkteten den ±30% Bereich. Abbildung 6: Kumulative Häufigkeitsverteilung der Absolutbeträge der Differenzen zwischen berechneten und gemessenen Ozonkonzentrationen. Die Differenzen wurden in Klassen der Breite 1 ppb eingeteilt. Die Werte auf der Abszisse geben die Untergrenzen der Klassen an. Aus der kumulativen relativen Häufigkeitsverteilung der absoluten Differenzen zwischen gemessenen und berechneten Konzentrationen (Abb. 6) ist zu erkennen, dass die Übereinstimmung zwischen den Messungen und den Ergebnissen der Simulation in 50% aller Fälle besser als 7.5 ppb ist. In etwa 78% der Fälle ist die Differenz kleiner als 15 ppb. Sehr ähnliche Werte fanden Nester und Panitz (2004) bei einem Vergleich der bodennahen Ozonkonzentrationen, die mit dem Modellsystem KAMM/DRAIS für drei unterschiedliche Episoden während der hellen Tageszeiten berechnet wurden, mit entsprechenden Messungen. Die Ergebnisse des Vergleichs für die AOT40 und SOMO35 Werte sind in Abb. 7 und Abb. 8 dargestellt. Für beide Größen ist eine Tendenz der Unterschätzung durch das Modell zu erkennen. Im Vergleich der Einzelwerte liegen sowohl für die AOT40 als auch für die SOMO35 Werte mehr als 50% aller Wertepaare innerhalb des ±30% Bereichs der relativen Abweichung. Bei den AOT40 Werten haben nur jeweils zwei Stationen eine relative Abweichung von mehr als -50%. Im Mittel über alle Stationen wird der ATO40 Wert für Wälder vom Modell um 9.4% unterschätzt, der AOT40 Wert für landwirtschaftliche Produkte ist um 16.6% zu gering. Für SOMO35 beträgt die Abweichung der Stationsmittel nur -5%. Insgesamt ist die Übereinstimmung zwischen den Modellergebnissen und den

6 Messdaten zufrieden stellend, besonders wenn man berücksichtigt, dass die AOT40 und SOMO35 Werte sehr sensitiv auch auf kleine systematische Fehler sowohl in den Ozonsimulationen als auch in den Ozonmessungen reagieren (vgl. auch Tarrason, 2003; Tarrason et al., 2005). Abbildung 7: Vergleich der aus Messungen und den Simulationen berechneten AOT40 Werte. Rote Punkte kennzeichnen die Werte für die Vegetation, blaue die für Wälder. Abbildung 8: Vergleich der aus Messungen und den Simulationen berechneten SOMO35 Werte. ausgezogene Linie: 1-zu-1 Gerade, gestrichelten Linien: Bereich der ±30% relativen Abweichung, gepunktete: ±50% Bereich Die Ergebnisse der Detailsimulation sind mit Blick auf das eigentliche Ziel des Projekts und unter Berücksichtigung von Bedingungen wie Auflösung des Rechengitters sowie Unsicherheiten in den Eingangsdaten und auch in den Messungen zufrieden stellend. Der Jahresgang sowohl der Tagesmittelwerte der Ozonkonzentration als auch der maximalen Ozonwerte konnte im Mittel über alle Messstationen qualitativ sehr gut wieder gegeben werden. Bei den Stickoxiden und beim CO sind die Abweichungen zwischen Modellergebnissen und Messdaten größer als bei Ozon (Panitz, 2006). Sie sind unter Berücksichtigung der Unsicherheiten in den Emissionsdaten aber akzeptabel. Statistische Kenngrößen für die Luftqualität (z.b. AOT40 und SOMO35) lassen sich im Vergleich zu den aus Messdaten ermittelten Werten ebenfalls zufrieden stellend aus den Modellergebnissen berechnen. Clusteranalyse Ziel einer Clusteranalyse ist, eine meist sehr große Menge von Klassifikationsobjekten in verschiedene Gruppen (= Klassen, Cluster) zusammenzufassen (Bacher, 2002). Die zu gruppierenden Objekte oder Elemente werden dabei in der Regel durch zahlreiche Eigenschaften, Merkmale oder Variable charakterisiert. Im vorliegenden Fall sind es meteorologische Bedingungen auf der synoptischen Skala, die klassifiziert werden, und die durch meteorologische Variable wie z. B. Windgeschwindigkeit, Windrichtung, Temperatur, Druck und Feuchte beschrieben werden. Die Ähnlichkeiten bzw. Unähnlichkeiten zwischen verschiedenen Objekten werden über Distanzmaße bestimmt, sodass es notwendig ist, dass die Einheiten der Variablen, die die Objekte charakterisieren, vergleichbar sind, und dass keine Korrelationen zwischen den Variablen existieren. Da beide Bedingungen bei meteorologischen Variablen in der Regel nicht erfüllt sind, wird die Vergleichbarkeit der Einheiten durch die z- Transformation erreicht. Die transformierten Daten sind dimensionslos. Sie haben den Mittelwert Null und die Varianz Eins. Die Korrelation zwischen den Variablen lässt sich durch eine PCA (Principal Component Analysis, auch EOF- Analyse genannt; EOF: Empirische Orthogonal Funktion) (Von Storch and Zwiers, 1999) vermeiden. Des Weiteren wird durch die PCA eine Reduktion der Dimension der Datenmatrix erreicht, ohne einen zu großen Informationsverlust zu erleiden. Das Problem einer jeden Klassifizierung ist, die Zahl der resultierenden Gruppen so festzulegen, dass die Grundvorstellung der Homogenität innerhalb der Cluster und der Heterogenität zwischen ihnen annähernd erfüllt ist, die Zahl der Cluster aber nicht zu groß wird (die homogenste Lösung ist die n- Clusterlösung, n bezeichnet die Gesamtzahl der zu klassifizierenden Objekte). Zur Bestimmung der Klassenzahl gibt es eine Vielzahl von Kriterien (Milligan and Cooper, 1985). Im Projekt wurde in

7 Anlehnung an die Ausreißeranalyse nach Bacher (2002) ein Ausreißerkriterium definiert. Bacher (2002) untersucht, ob ein klassifiziertes Objekt sich homogen in seine Klasse einpasst, oder ob es als Ausreißer angesehen werden muss. Dazu definiert er die standardisierte Entfernung d j eines Objektes j, das in eine Gruppe g k einsortiert wurde, vom Clusterzentrum dieser Gruppe, d j = wobei d 2 0 die mittlere Gesamtstreuungsquadratsumme (empirische Gesamtvarianz) darstellt. Das Ausreißerkriterium besagt nun, dass, sobald für alle Objekte j, j = 1,, n, die Bedingung d j 1 erfüllt ist, d. h. keines der n Objekte mehr als Ausreißer erkannt wurde, die Lösung mit K Klassen gefunden wurde. Dieses Kriterium ist dahingehend eindeutig, dass für alle Lösungen K mit K > K kein Ausreißer mehr auftritt. Die K Clusterlösung erfüllt somit als erste annähernd die Homogenitätsvorstellung. Die zu klassifizierenden Objekte wurden aus den stündlichen Ergebnissen des großskaligen EURAD Modells abgeleitet. Diese standen für den Bereich Mitteleuropas an 11 x 10 horizontalen Gitterpunkten in 23 Schichten zur Verfügung. Für die Klassifikation wurde u. a. folgende Parameterkombination ausgewählt: Am Boden bzw. in Bodennähe: Bodendruck und die zonalen und meridionalen Windkomponenten in 10 m Höhe (3 Variable) die beiden Windkomponenten, die Temperatur und das Geopotential auf jeweils drei Druckflächen: 850 hpa, 700 hpa und 500 hpa (insgesamt 12 Variable). Für jede der 15 Größen wurden Tagesmittelwerte an jedem der 110 Gitterpunkte berechnet, so dass insgesamt 1650 meteorologische Variable jedes zu klassifizierenden Objekt charakterisierten. Tabelle 2 gibt einen Überblick über die Größen der Rohdatenmatrizen nach erfolgter z-transformation und nach der EOF-Analyse, die Zahl der signifikanten EOFs und die jeweiligen erklärten Anteile an der Gesamtvarianz sowie die Zahl der resultierenden Cluster. Neben der Jahresklassifikation wurden auch Analysen für die Zeiträume April bis September (183 Tage) und Mai bis Juli (92 Tage) vorgenommen. Sie entsprechen den Integrationsintervallen der AOT40 Werte für Wälder (AOT40 F ) bzw. für landwirtschaftliche Produkte (AOT40 c ). Tabelle 2: Charakteristik der Klassifizierung täglicher meteorologischer Bedingungen für verschiedene Zeiträume sowie resultierende Clusterzahl für unterschiedliche Clustertechniken Intervall Varianz Größe Clusterzahl gemäß Ausreißerkriterium Größe signifikante anteil Ausgangsmatrix für Datenmatrix EOFs SOM WARD K-MEANS (%) Clusteranalyse Jahr 366 x x April- September 183 x x Mai-Juli 92 x x Um statistische Kenngrößen aus den Clusterlösungen zu berechnen, wurde aus jeder Klasse das Objekt ausgewählt, das den geringsten Abstand zum Klassenmittelpunkt hatte. Für jeden dieser Tage, die in ihrer Gesamtheit das Spektrum der meteorologischen Situationen des Jahres 2000 beschreiben, lagen die Konzentrationsverteilungen bereits aus den Detailsimulationen vor. Diese Modellergebnisse wurden benutzt, um unter Berücksichtigung der jeweiligen Klassenhäufigkeiten die statistischen Kenngrößen zu ermitteln. Die nachfolgenden Vergleiche zwischen statistischen Kenngrößen basieren auf der Detailsimulation als Referenz und auf den Clusterlösungen. Zeitraum: gesamtes Jahr Die Abb. 9 zeigt Tagesgänge der bodennahen Ozonkonzentrationen, gemittelt über die jeweiligen Stunden und 62 Stationen. Die 62 Stationen entsprechen den Standorten, an denen Messungen der Schadstoffkonzentrationen vorlagen (Abb. 1.b). Zusätzlich sind die Tagesgänge des 25-Perzentils, des Medians (50-Perzentil) sowie des 90-Perzentils dargestellt. Die Ergebnisse bzgl. der Klassifizierung beruhen auf den unterschiedlichen Klassifizierungsmethoden und deren Clusterlösungen. Obwohl bei den Clusterlösungen nur etwa 5.5% der Fälle der Detailsimulation berücksichtigt werden, sind die Übereinstimmungen mit den Ergebnissen aus der Detailsimulation sehr gut. In den Mittags- und d 2 jk d 2 0

8 Nachmittagsstunden, wenn die Ozonbelastung am höchsten ist, betragen die Abweichungen für alle Maßzahlen weniger als 7%. Die beste Übereinstimmung wird mit dem K-MEANS Verfahren erreicht. Der Vergleich der Jahresmittelwerte der Ozonkonzentrationen bestätigt dieses Ergebnis (Abb. 10). Die größten Unterschiede sind bei der SOM Methode zu erkennen. Durch die Clusterlösung werden die Ozonkonzentrationen überschätzt. Das gilt auch für die WARD und die kombinierte WARD_K- MEANS Methode. Allerdings beträgt die Diskrepanz zur Detailsimulation in allen Fällen weniger als 10%. Die beste, nahezu perfekte Übereinstimmung, liefert das K-MEANS Verfahren. Abbildung 9: Vergleich der mittleren Tagesgänge des bodennahen Ozon. Außerdem sind verschiedene Perzentilwerte dargestellt. Verglichen werden die Ergebnisse der Detailsimulation (=Referenz) mit denen, die aus den Klassifizierungen (Clustering) resultieren. Die Ziffern hinter dem Namen der Methode geben die Zahl der Cluster an. Abbildung 10: Vergleich der Jahresmittel der Abbildung 11: Vergleich der Werte für SOMO35 bodennahen Ozonkonzentrationen an 62 Stationen. an 62 Stationen. Ausgezogene Linie: 1-zu-1 Gerade; gestrichelte Linie: ±10% rel. Bias; gepunktete Linie: ±15% rel. Bias. Eine ähnlich gute Übereinstimmung wird auch für die Jahresmittelwerte der täglichen maximalen Ozonkonzentrationen erzielt (siehe Panitz, 2006).

9 Für den Luftqualitätsindikator SOMO35 ergibt sich die beste Übereinstimmung wieder mit dem K- MEANS Verfahren (Abb. 11). Nur an drei der 62 Stationen werden die SOMO35 Werte durch diese Clusterlösung um mehr als 10 % überschätzt. Im Mittel beträgt die Abweichung nur 0.2 ppb bzw. 4%. Für die Substanz NO x = NO + NO 2 (hier nicht gezeigt, siehe Panitz, 2006) ist die Übereinstimmung weniger gut. Mit Ausnahme des K-MEANS Verfahrens werden durch die Anwendung der andern Methoden die statistischen Maßzahlen für NO x unterschätzt. Bezüglich der Jahresmittelwerte liegen die Abweichungen nicht über 15%. Bei den mittleren Tagesgängen findet man die größten Abweichungen für das 90-Perzentil (bis zu 25% bei K-MEANS und -29% bei SOM). Die Mittelwerte selbst stimmen im Mittel bis auf 10% überein. Diese Diskrepanzen sind auf größere Abweichungen für NO zurückzuführen. Die Übereinstimmungen sind für NO 2 wesentlich besser. Eine mögliche Ursache für dieses Verhalten könnte sein, dass das Gesamtverfahren für NO nicht optimal ist. Die Verteilungen der NO Konzentrationen hängen maßgeblich von den Emissionsbedingungen ab, weniger von den meteorologischen Bedingungen. Die Emissionen variieren aber nicht nur mit der Tageszeit, sondern auch mit dem Wochentag (Werktag/Wochenende/Feiertag) und mit der Jahreszeit. Um bessere Abschätzungen der NO Belastungen zu erreichen, müsste daher der Frage nachgegangen werden, ob die Emissionen mit in die Klassifizierung einbezogen werden müssen, oder ob für jede der gefundenen Klassen eine mittlere oder geeignet gewichtete Emissionsverteilung erstellt werden muss, die dann als Eingabe für die Modellrechnung verwendet wird. Zeiträume April bis September und Mai bis Juli Abbildung 12: Vergleich der Werte für AOT40 an 62 Stationen. Ausgezogene Linie: 1-zu-1 Gerade; gestrichelte Linie: ±10% rel. Bias; gepunktete Linie: ±15% rel. Bias. Die interessanten Zeiten hinsichtlich der Belastungen durch Ozon sind das Frühjahr und besonders die Sommermonate, da aufgrund der höheren Sonneneinstrahlung während dieser Monate die höchsten Ozonkonzentrationen auch über längere Perioden auftreten können. Als Indikator für das Risiko von Schäden an der Vegetation durch Ozon wurde die AOT40 Schwelle definiert. Die Ergebnisse der Vergleiche zwischen der Detailsimulation und den Clusterlösungen für AOT40 sind in Abb. 12 zusammengefasst. Die roten Punkte stellen im Zeitraum April bis September die Ergebnisse für die Wälder dar, die ersten Ziffern hinter den Namen der Klassifizierungsmethoden geben die Zahl der Cluster an. Die blauen Punkte kennzeichnen die AOT40 für landwirtschaftliche Produkte, Integrationsperiode Mail bis Juli, die Anzahl der Klassen ist durch die zweite Zahl hinter den Namen der Methode gegeben. Obwohl im Detail Unterschiede in den Ergebnissen der

10 Klassifizierungsmethoden zu sehen sind, kann festgestellt werden, dass die AOT40 Werte durch alle Methoden zufrieden stellend reproduziert werden können. Nur in zwei Fällen (SOM, AOT40 für Wälder, rote Punkte bzw. WARD, AOT40 für landwirtschaftliche Produkte, blaue Punkte) sind Abweichungen von mehr als 15% zu erkennen. Für AOT40 hat das WARD Verfahren die Tendenz, die beste Übereinstimmung mit der Detailsimulation zu liefern. Die Ergebnisse der K-MEANS Methode sind aber nur unwesentlich schlechter. Die größten Unterschiede ergeben sich beim SOM Verfahren für die auf die Wälder bezogenen AOT40 Werte. Das ist umso erstaunlicher, weil die Anzahl der zugehörigen Klassen mit 28 deutlich größer ist als für die beiden anderen Techniken. Schlussfolgerung Ziel des Projektes war es, eine Methode zur Klassifizierung der atmosphärischen Bedingungen im Hinblick auf die Bestimmung der langfristigen Luftqualität in Baden-Württemberg bereitzustellen. Ein solches System wurde entwickelt und es konnte gezeigt werden, dass statistische Kenngrößen, die die Luftqualität beschreiben, sich auf der Basis der charakteristischen Ergebnisse einer Klassifizierung mit genügender Genauigkeit berechnen lassen. Die gefundenen Klassen können somit im Wesentlichen als repräsentativ für die atmosphärischen Situationen des Jahres 2000 angesehen werden, die die Schadstoffbedingungen in diesem Jahr in Baden-Württemberg geprägt haben. Von den verwendeten Klassifizierungsmethoden WARD, K-MEANS und SOM erfüllt das K-MEANS Verfahren die Bewertungskriterien - Effizienz des Klassifizierungsverfahren in Bezug auf Anwendungsfreundlichkeit und Rechenzeit sowie Repräsentativität der gefundenen Klassen in Bezug auf das gesamte Spektrum der möglichen atmosphärischen Situationen am besten. Beim Vergleich der statistischen Kenngrößen, die auf den Ergebnissen der Detailsimulation basierten, und denen, die aus dem K-MEANS Verfahren resultierten, traten im Mittel die geringsten Abweichungen auf. Ein Vergleich der Luftqualitätskenngrößen, denen die Ergebnisse der Detailsimulationen zu Grunde lagen, mit entsprechenden Werten, abgeleitet aus Messdaten für das Jahr 2000, zeigte, dass die Resultate des Modells mit Blick auf das eigentliche Ziel und unter Berücksichtigung von Bedingungen wie Auflösung des Rechengitters und Unsicherheiten in den Eingangsdaten die Realität zufrieden stellend wiedergaben. Ein Rückschluss auf die tatsächliche langfristige Luftqualität in Baden-Württemberg war durch das Projekt nicht möglich. Dazu muss die bereitgestellte Methode auf einen langen Zeitraum von mindestens zehn bis zwanzig Jahren angewendet werden. Im Projekt wurde unter Berücksichtung eines einzelnen Jahres die Methode zur Ermittlung der langfristigen Luftqualität entwickelt und ihre prinzipielle Nutzbarkeit demonstriert. Literatur Adrian, G. and F. Fiedler (1991): Simulation of Unstationary Wind and Temperature Fields over Complex Terrain and Comparison with Observations. Contr. Atmos. Phys., 64, Bacher, J. (2002): Clusteranalyse Anwendungsorientierte Einführung, 2., ergänzte Auflage. Oldenbourg Wissenschaftsverlag, München, 2002, 425 pp, ISBN Baer, M., and K. Nester (1992): Parametrization of Trace Gas Dry Deposition Velocities for a Regional Mesoscale Diffusion Model. Ann. Geophysicae, 10, Braun, F. J. (2002): Mesoskaliges Modellierung der Bodenhydrologie. Wissenschaftliche Berichte des Instituts für Meteorologie und Klimaforschung der Universität Karlsruhe, 30, pp. 243 Chang, J.S., A. Brost., I.S.A. Isaksen., S. Madronich, P. Middleton, W.R. Stockwell, and C.J. Walceck (1987): A three dimensional Eulerian acid deposition model: Physical concepts and formulation. J. Geophys. Res, 92, pp. 14,618-14,700. EPA (1991): Guideline for regulatory application of the urban airshed model. United States Environmental Protection Agency, EPA-450/ , July 1991, pp Hass H (1991): Description of the EURAD Chemistry-Transport-Model Version2 (CTM2). Mitteilungen aus dem Inst. f. Geophys. u. Met., Universität zu Köln, 83, pp Kohonen, T. (1995): Self-Organizing Maps. Springer Series in Information Sciences, Vol. 30, 362 pp., Heidelberg.

11 Kühlwein J., B. Wickert, A. Trukenmüller, R. Friedrich (2002): Emission modelling in high spatial and temporal resolution and calculation of pollutant concentrations. Atmos. Environ., 36 S1, S7-S18 Milligan, G.W. and M. C. Copper (1985): An examination of procedures for determining the number of clusters in a data set. Psychometrika, 50, 2, Nester, K., H.-J. Panitz, F. Fiedler (1995): Comparison of the DRAIS and EURAD Model Simulations of Air Pollution in a Mesoscale Area. Meteorol. Atmos. Phys, 57, Nester, K., and H.-J. Panitz (2004): Evaluation of the Chemistry Transport Model System KAMM/DRAIS Based on Daytime Ground-Level Ozone Data. Int. J. Env. Poll., 22, Nester, K., and H.-J. Panitz (2006): Sensitivity analysis by the adjoint chemistry transport model DRAIS for an episode in the Berlin Ozone (BERLIOZ) experiment. Atmos. Chem.. Phys., 6, Panitz H.-J., K. Nester, and F. Fiedler (2002): Mass Budget Simulation of NO x and CO for the Evaluation of Calculated Emissions for the City of Augsburg (Germany). Atmos. Environ., 36 S1, S33-S51. Panitz, H.-J. (2006): Optimierung langfristiger Simulation der Luftqualität in Baden-Württemberg. Abschlussbericht des Forschungsprojektes im Rahmen des Forschungsprogramms Modellierung und Simulation auf Hochleistungsrechnern der Landesstiftung Baden-Württemberg, Projektnummer 740, pp Berichtverfügbar unter: Pierce, T. E., B. K. Lamb and V. R. Van Demeter (1990): Development of a biogenic emissions inventory system for regional pollution models. Paper , presented at the 83. Annual Meeting and Exhibition of the Air and Waste Management Association, Pittsburgh, PA, June 24-29, Pregger, T., P. Blank, und R. Friedrich (2003): Erstellung von Emissionskatastern in hoher zeitlicher und räumlicher Auflösung für ein Bundesland: Beispiel Bayern. In: 16. ALS Kolloquium "Emissionen von Luftschadstoffen Messung - Berechnung - Überwachung - Handel", Jahresbericht 2002/2003 der Arbeitsgruppe Luftreinhaltung der Universität Stuttgart. ISBN: Stockwell, W. R., P. Middleton and J. C. Chang (1990): The Second Generation Regional Acid Deposition Model Chemical Mechanism for Regional Air Quality Modelling J. Geophys. Res., 95, D10, Tarrason, L. (Ed.) (2003): Transboundary Acidification, Eutrophication and Ground Level Ozone in Europe, Part III, Unified EMEP Model Performance. EMEP Status Report 2003, ISSN Tarrason, L. et al. (2005): Transboundary Acidification, Eutrophication and Ground Level Ozone in Europe in EMEP Status Report 2005, ISSN Vogel, B., F. Fiedler and H. Vogel (1995): Influence of topography and biogenic volatile organic compound emissions in the State of Baden-Württemberg on ozone concentrations during episodes of high temperatures. J. Geophys. Res., 100, Von Storch, H., and F W. Zwiers (1999): Statistical analysis in climate research. Cambridge University Press, 484 S Willmott, C. J. (1981): On the validation of models. Phys. Geogr., 2,