Universita’ del Piemonte Orientale
Dipartimento di Scienze e Tecnologie Avanzate (DISTA)
Alessandria
SVILUPPO DI UNA CATENA MODELLISTICA PER LO
STUDIO DELL’INQUINAMENTO SECONDARIO SU UN
DOMINIO A SCALA REGIONALE
Alessia Balanzino
Enrico Ferrero
Fondi CIPE – Regione Piemonte
Partecipanti:
 Universita’ Piemonte Orientale
 Universita’ di Torino
 Universita’ di Napoli
 CNR (Torino)
 CSI Piemonte (Torino)
Collaborazioni:
 Regione Piemonte (Torino)
 Arpa Piemonte (Torino)
 CESI - RICERCA (Milano)
Valutazione integrata di impatto
Rete di monitoraggio
Modellistica
Inventario Emissioni
OBIETTIVO DEL PROGETTO
Valutare sul lungo periodo (anno di simulazione: 1999)
l’inquinamento secondario in aree a basso livello emissivo
(pianura del Piemonte orientale), contigue ad aree fortemente
emissive (triangolo industriale: Milano – Torino – Genova)
mediante l’utilizzo di strumenti modellistici.
SOMMARIO
 Dominio e dati di ingresso al modello fotochimico
 Catena modellistica
 Risultati
 Conclusioni
Dominio di studio. Superficie: 250 km x 250 km. Risoluzione spaziale: 5 km
Modello ECMWF
(previsioni a grande scala e dati
meteorologici)
Dati geografici e
geofisici
Modello Meteorologico
(RAMS)
Inventario
Emissioni
Moduli di Interfaccia
(RAMS-CAMx)
z-p
wind
temp
Condizioni iniziali e al
contorno
kv
water vapor
could/rain
Modello Fotochimico
(CAMx)
Campi di
concentrazione
(calcolati)
Processore Emissioni
- disaggregazione spaziale
- profili di speciazione (VOC e PM)
- disaggregazione temporale
Campi di
concentrazione
(misurati)
Reperimento dati di emissione
Situazione
ottimale
disporre di un inventario predisposto esattamente
sul proprio dominio e per il periodo di simulazione
Questo raramente accade pertanto solitamente o lo si ricava da inventari esistenti, adattandolo
alle esigenze specifiche, oppure lo si realizza ex-novo.
Per ogni singola regione italiana si
e’ utilizzato l’inventario regionale (piu’
dettagliato di quello nazionale)
Per l’estero e per la porzione di mar
Mediterraneo, situata davanti alla Liguria,
i dati sono stati reperiti dal sito EMEP
Disaggregazione
spaziale
Modulazione
temporale
Speciazione
comune
anno
totale
coarse
griglia
mese
PM
splitting
fine
VOC
ora
lumping
FORM
ALD2
OLE
OLE2
CRES
MEOH
PAR
ETH
MGLY
TOL
ETOH
ISOP
XYL
PNO3
PSO4
PNH4
POA
SOA1
SOA2
SOA3
SOA4
PEC
FPRM
FCRS
NA
CPRM
PCL
CCRS
RAMS (Regional Atmospheric Modelling System)
Codice numerico sviluppato per simulare e prevedere i fenomeni meteorologici
Inizializzato e guidato dai dati del centro meteorologico europeo (ECMWF)
Il modello RAMS_v4.4
• sistema completo di equazioni dinamiche e termodinamiche non idrostatiche
• conservazione della massa e delle quantita’ scalari
• sistema di coordinate “terrain influenced”: simulare siti ad orografia complessa
• configurare le opzioni operative delle simulazioni
• interpolare i valori provenienti da diversi database
Run di prova
 confronti valori simulati – centraline (1 griglia e 2 griglie)
MODULI di INTERFACCIA
Modulo di interfaccia RAMS - CAMx:
1. altezza/pressione
2. componenti orizzontali del vento
3. temperatura
4. coefficienti di diffusione
5. vapore acqueo
6. nubi e pioggia
Altri moduli:
7. topografia e uso del suolo
8. ratei di fotolisi
CAMx (Comprehensive Air Quality Model with extensions)
Meccanismo chimico utilizzato: CB-IV
Il modello CAMx_v4.20
•
Euleriano (suddivisione del dominio in celle)
•
Risoluzione dell’equazione di continuità in un sistema a celle in griglie 3D
Evoluzione dei composti chimici in ogni punto della griglia
(set semplificato di equazioni cinetiche chimiche, CB-IV)
DOMINIO + RETE DI STAZIONI DI MONITORAGGIO
VARESE
9
DONNAS
BIELLA COSSATO
10
PONZONE
VERRONE
12
16
MEDA
14
MAGENTA
VIMERCATE
LIMITO
J.
13MOTTA MILANO
V. 15
TORINO L.
TORINO C.
11
MIGNANEGO
PIEVE DI TECO
• Griglia
250 x 250 km2
5 km step
14 livelli verticali
• Meteo
RAMS-ECMWF (Mellor and Yamada scheme 2.5)
• IC - BC
CAMx (mesoscala)
• Emissioni
inventari regionali su base comunale + EMEP1999
GIORNO TIPO 03 (URBANO)
140
120
CAMx_5
Measured
O3 [m g/m 3]
100
80
60
40
20
0
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
hours
120
CAMx_5
100
80
NO2 [ m g/m 3]
G
I
O
R
N
O
NO2 mean day, on June, at urban site
60
40
20
0
0
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17 18 19 20 21 22 23
hours
140
120
CAMx_5
Measured
100
O3 [m g/m 3]
T
I
P
O
Measured
80
O3 mean day, on June, at urban site
60
40
20
0
0
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17 18 19 20 21 22 23
hours
160
140
CAMx_5
Measured
120
Ox [m g/m 3]
T
O
R
I
N
O
1
Ox mean day, on June, at urban site
100
80
60
40
20
0
0
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17 18 19 20 21 22 23
hours
Indici statistici: O3 e NO2
Table 1. O 3 indices computed on the daily maximum 8-hourly
stations
URBAN
SUBURBAN
RURAL
MEAN_meas (mg/m3)
117.5
116.5
106.2
MEAN_camx (mg/m3)
108.0
113.8
113.3
R
0.6
0.6
0.6
NMSE
0.1
0.04
0.04
FB
0.1
0.02
-0.1
R
0.5
0.3
0.2
NMSE
0.1
0.2
0.2
FB
-0.1
0.2
0.2
Table 2. NO 2 indices computed on the mean daily concentration
stations
URBAN
SUBURBAN
RURAL
MEAN_camx (mg/m3)
17.2
29.8
17.2
sottostima
MEAN_camx (mg/m3)
15.3
24.3
15.3
sovrastima
MEDIA GIORNALIERA PM10
90
80
camx_5
meas
PM 10 [ m g/m 3]
70
60
GENNAIO – FEBBRAIO – MARZO
1999
50
40
30
20
10
0
10
12
3
4
6
9
13
14
15
16
stations
100
90
camx_5
meas
80
PM 10 [ m g/m 3]
70
60
OTTOBRE – NOVEMBRE – DICEMBRE
1999
50
40
30
20
10
0
10
12
3
4
6
stations
9
13
14
15
16
PM10 indici statistici
(media giornaliera)
Table 3. PM 10 indeces computed on the mean daily concentration (winter time)
stations
B.URBAN
B.SUBURBAN
quarter
first
second
first
second
MEAN_meas (mg/m3)
59.4
71.3
26.0
-
MEAN_camx (mg/m3)
35.2
49.4
24.4
-
sottostima
R
0.7
0.2
0.3
NMSE
0.6
0.6
0.6
FB
0.5
0.4
0.1
-
-
-
PM10 – NO2 – SO2
• buona “corrispondenza” tra precursore (NO2) e specie secondaria prodotta (PM10):
miglioramento/peggioramento di NO2 > miglioramento/peggioramento di PM10
• comportamento opposto tra precursore (SO2) e specie secondaria prodotta (PM10):
miglioramento/peggioramento di SO2 > peggioramento/miglioramento di PM10
stazione
4
6
9
10
11
12
13
14
15
16
1o trimestre
NO2
PM10
0.489
0.485
0.648
0.420
0.662
0.471
0.437
0.290
0.168
0.646
0.440
0.374
0.493
0.641
0.703
0.556
0.566
0.656
0.683
2o trimestre
NO2
PM10
0.134
0.129
0.506
0.520
0.496
0.047
0.420
0.527
0.193
0.333
0.242
0.092
0.215
0.140
0.206
coefficiente correlazione R, NO2 vs PM10
stazione
4
6
9
10
11
12
13
14
15
16
1o trimestre
SO2
PM10
0.091
0.485
0.420
0.471
0.290
0.226
0.440
-0.006
0.493
0.703
0.465
0.566
0.683
2o trimestre
SO2
PM10
0.360
0.129
0.258
0.420
0.095
0.193
0.242
0.496
0.215
0.206
coefficiente correlazione R, SO2 vs PM10
stazione
4
6
9
10
11
12
13
14
15
16
1o trimestre
NO2
PM10
0.382
0.554
0.464
0.232
0.509
0.173
0.300
0.022
0.419
0.383
0.177
0.458
0.559
0.165
0.722
0.295
0.425
0.350
0.641
2o trimestre
NO2
PM10
0.047
0.329
0.250
0.076
-0.009
0.390
0.515
0.034
0.393
0.105
0.592
-0.045
0.146
0.037
0.382
fractional bias FB, NO2 vs PM10
stazione
4
6
9
10
11
12
13
14
15
16
1o trimestre
SO2
PM10
-1.197
0.554
0.232
0.173
0.022
-0.277
0.177
-1.329
0.559
0.722
-0.760
0.425
0.641
2o trimestre
SO2
PM10
-0.987
0.329
-1.202
0.515
-1.357
0.393
0.592
-0.815
0.146
0.382
fractional bias FB, SO2 vs PM10
Media trimestrale (luglio – agosto – settembre) O3
95o percentile O3
(max giornaliero media mobile 8 ore, luglio – agosto – settembre)
Media trimestrale (dicembre – gennaio – febbraio) PM10
95o percentile PM10
(media giornaliera, dicembre – gennaio – febbraio)
CONCLUSIONI
O3 – NO2 – Ox
• il modello riproduce abbastanza bene l’andamento delle misure, sia per l’ozono che
per il biossido di azoto:
- valori alti di O3 attorno alle grandi citta’ e vicino al mare ( > 120 μg/m3 )
• la curva dei valori simulati di ozono, in certi periodi, sottostima i valori massimi
(probabile causa: emissioni di VOC)
• il modello sovrastima le misure di biossido di azoto
(probabile causa: sottostima della turbolenza verticale)
• il modello ben riproduce l’andamento giornaliero e stagionale della specie Ox
(ridotti gli effetti locali di ozono e biossido di azoto)
PM10 – NO2 – SO2
• il modello riproduce bene una certa ciclicita’ settimanale del PM10, dovuta alle emissioni
• il modello ricostruisce correttamente alcuni casi critici del PM10
• il modello e’ in grado di distinguere il contesto urbano del PM10 da quello suburbano:
- valori elevati in prossimita’ dei centri urbani ( > 100 μg/m3 )
- concentrazioni dell’ordine di 50 μg/m3 in zone rurali
• esiste una buona “corrispondenza” tra precursore (NO2) e specie secondaria prodotta
(PM10): miglioramento/peggioramento di NO2 > miglioramento/peggioramento di PM10
• esiste un comportamento opposto tra precursore (SO2) e specie secondaria prodotta
(PM10): miglioramento/peggioramento di SO2 > peggioramento/miglioramento di PM10
In conclusione...
• alla risoluzione adottata (5 km), e’ possibile descrivere piu’ correttamente il quadro
emissivo e quindi migliorare la rappresentazione dell’evoluzione temporale sia degli
inquinanti primari che degli inquinanti secondari
• i risultati per l’ozono sono, in generale, migliori rispetto a quelli per il particolato
(difficolta’ nella rappresentazione modellistica del particolato)
• per quanto riguarda il particolato, l’effetto della risoluzione incide più sul “fractional
bias” (FB) che sulla correlazione (R)
Sviluppi futuri…
• analisi approfondita sul ruolo dei diversi fattori di input al modello di dispersione:
 campi meteorologici
 campi emissivi (inventari delle emissioni, processori delle emissioni)
 meccanismo chimico selezionato
• simulazioni sul lungo periodo per differenti anni (2005)
?
emissioni puntuali Piemonte
• stime di scenari emissivi (aree di probabile rischio per la salute umana)
PUBBLICAZIONI
28/10/2005, Centro Incontri Regione Piemonte, Torino
Alessia Balanzino, Enrico Ferrero, Mauro Causà, Emanuele Orlando, Paolo Trivero, Veronica Sesia, Guido
Pirovano, Cesare Pertot
Poster: “Realizzazione di un pre-processore delle emissioni per modelli fotochimici”
Workshop: “La valutazione integrata e la gestione della qualita’ dell’aria in Piemonte alla luce delle normative
europee”
22/02/2006, Universita’ del Piemonte Orientale “A.Avogadro”, Dipartimento di Scienze e Tecnologie
Avanzate (DISTA), Alessandria
Alessia Balanzino
Seminario su invito: “Modelling systems for photochemical pollution in Northern Italy”
Workshop: "One day on complexity"
18-23/09/2006, Dipartimento di Fisica, Torino
Alessia Balanzino, Enrico Ferrero
Comunicazione orale: “Valutazione modellistica dell’inquinamento fotochimico nell’Italia settentrionale”
XCII Congresso Nazionale SIF
27-29/03/2007, Cipro
A. Balanzino, C.Pertot, G.Pirovano, M.Causa', E.Ferrero, S.Alessandrini, M.P.Costa
Comunicazione orale: “Intercomparison between national and regional scale photochemical pollution
simulations over Northern Italy”
Proceedings UAQ 2007, 6th International Conference on Urban Air Quality, edited by Sokhi R.S. and Neophytou
M. (University of Hertfordshire, UK)
Agosto 2006
Alessia Balanzino, Enrico Ferrero
“Modelling system for photochemical pollution in northern Italy”
Il Nuovo Cimento, vol. 121 B, n.8, 857-866
11-15/06/2007, Ischia
A.Balanzino, C.Pertot, G.Pirovano, M.Causa', E.Ferrero, S.Alessandrini, M.P.Costa
Poster: “Simulazione dell’inquinamento fotochimico nell’Italia settentrionale”
Convegno nazionale di fisica della terra fluida e problematiche affini
2-5/07/2007, Cambridge (UK)
A. Balanzino, M.Causa', E.Ferrero, C.Pertot, G.Pirovano
Poster: “Photochemical pollution modelling in complex terrain”
Proceedings, 11th International Conference on Harmonisation within Atmospheric Dispersion Modelling for
Regulatory Purposes, edited by David J.Carruthers and Christine A.McHugh
24-29/09/2007, Dipartimento di Fisica, Pisa
A. Balanzino, E.Ferrero, C.Pertot, G.Pirovano, M.Riva, M.Causa'
Comunicazione: "Sviluppo di una catena modellistica per lo studio dell’inquinamento secondario su
un dominio a scala regionale”
XCIII Congresso Nazionale SIF
6-9/10/2008, Cavtat (Croazia)
A. Balanzino, G.Pirovano, M.G. Riva, E.Ferrero, M.Causa'
Poster: “PM10 transport and diffusion in Northern Italy”
Proceedings, 12th International Conference on Harmonisation within Atmospheric Dispersion Modelling for
Regulatory Purposes, published as a special issue of the Croatian Meteorological Journal, edited by
Croatian Meteorological Society, Zagreb