Ozó troposfèric

El model desenvolupa una eina per predir nivells d’ozó (O3) troposfèric mitjançant la utilització de models computacionals d’anàlisi de dades basats en tècniques de machine learning.

L’ozó està format per una molècula de 3 àtoms d’oxigen, i el trobem de manera natural a l’estratosfera, una de les capes en què es divideix l’atmosfera, a uns 20 km d’alçada, formant la coneguda «capa d’ozó» que ens protegeix de la radiació ultraviolada. És el que s’anomena ozó estratosfèric.

D’altra banda, a la troposfera ⎼ la capa de l’atmosfera més propera a la superfície terrestre i que comprèn els seus primers 10 km ⎼hi trobem el que s’anomena ozó troposfèric. A diferència de l’ozó estratosfèric, aquest ozó troposfèric no es produeix de manera natural a l’atmosfera, sinó que es forma a partir de la reacció química de dos altres contaminants (òxids de nitrogen i compostos orgànics volàtils) sota situacions de radiació solar alta, i per això es considera un contaminant secundari.

L’ozó troposfèric pot provocar efectes negatius sobre la salut de les persones com ara tos, irritacions o dificultats respiratòries. En conseqüència, els nivells elevats d’ozó poden causar un increment de la mortalitat o la morbiditat a la població.

L’eina de PIKSEL per aquest model farà possible predir i gestionar la contaminació d’ozó troposfèric a escala regional mitjançant la predicció dels episodis que puguin superar els límits de concentració d’ozó troposfèric permesos legalment.

Objectius

• Identificar situacions meteorològiques que poden donar lloc a episodis de contaminació atmosfèrica per ozó.

• Identificar zones o regions amb incidències d’ozó només sota certes situacions meteorològiques.

• Avaluar quines són les variables que juguen un paper més rellevant en la producció d’ozó en un punt determinat de mesura.

• Pronosticar situacions de perill relacionades amb la qualitat de l’aire (ozó).

Metodologia

La metodologia implementada es basa en una aproximació mitjançant ciència de dades, i ha desenvolupat models que fan servir grans quantitats de dades (més de 20 anys de registres de dades meteorològiques i de qualitat de l’aire) que es tracten amb tècniques de big data i machine learning.

El model incorpora les dades històriques, les estructura i aprèn d’elles (machine learning) durant una primera fase diagnòstica per, en una segona fase pronòstica,  generar com a dades de sortida pronòstics que compleixin amb els objectius requerits.

Fase diagnòstica

En concret, els models desenvolupats per al repte s’alimenten de les dades enregistrades durant un període de 20 anys per les estacions de mesura de la qualitat de l’aire i les estacions meteorològiques de dues xarxes distribuïdes per tot el territori de Catalunya i gestionades per al Servei de Vigilància i Control de l’Aire i Meteocat.

• Xarxa de Vigilància i Previsió de la Contaminació Atmosfèrica (XVPCA)
• Xarxa d’Estacions Meteorològiques Automàtiques ( XEMA-Meteocat)

El model també s’alimenta amb una classificació sinòptica de tipus de temps, amb la intenció d’introduir a l’algoritme el forçament a escala sinòptica degut a fenòmens meteorològics a gran escala de l’ordre dels 1000 km i amb duracions temporals de l’ordre d’uns pocs dies, com ara anticiclons, borrasques o  tàlvegs. 

Aquesta classificació de tipus de temps s’ha generat mitjançant la recopilació dels 20 darrers anys de mapes de reanàlisi d’ERA 5, un nou conjunt de dades generat pel Servei de Canvi Climàtic de Copèrnic  que aporta l’anàlisi de les condicions meteorològiques històriques hora a hora des del 1979.

Els mapes de reanàlisi comparen les prediccions meteorològiques amb les dades reals obtingudes després del moment de la predicció. És a dir, es compara l’escenari real amb la predicció que s’havia fet d’aquest.

Per obtenir aquesta classificació de tipus de temps, s’han fet servir tècniques d’anàlisi de clusters, que classifiquen automàticament els mapes sinòptics i classifiquen en un mateix grup tots els mapes que presenten patrons similars. Així s’assigna un tipus de temps a cada dia dels 20 anys que s’utilitzen en l’estudi i això s’introdueix al model de machine learning com una variable més.

L’ús d’aquests mapes sinòptics històrics i l’obtenció d’aquesta classificació sinòptica de tipus de temps permet definir aquesta eina com una eina multiescalar, que agrupa tot un conjunt de dades atmosfèriques (ozó, vent, temperatura, etc.) que representen valors que introduïm en el nostre model a nivell regional o mesoscalar, alhora que utilitzem el component sinòptic amb la introducció de la variable “tipus de temps” en el model de machine learning.

El model utilitza tècniques de machine learning amb algoritmes de “boscos aleatoris” – random forest i llenguatge de programació R i Python. Per a cada estació de mesura de qualitat de l’aire s’ha dissenyat un model de machine learning, fent servir com a variables les dades de contaminants i les dades meteorològiques mesurades, a més de la  variable “tipus de temps”.

Fase prognòstica

En la fase pronòstica del repte, el model proporciona els nivells d’ozó màxim horari a 24h i de valor màxim 8-horari d’un dia determinat en el futur i amb unes variables estimades, tal i com es mostra en la imatge superior. D’aquesta manera es pot conèixer quin seria el nivell de contaminació per ozó troposfèric aquell dia segons els límits establerts per la Generalitat de Catalunya.

Aquests models s’elaboren per a totes les estacions rellevants de qualitat d’aire, i posteriorment s’extrapolen els resultats a l’àmbit de zones de qualitat d’aire (ZQA). Aquests models s’integraran a la plataforma del projecte PIKSEL, i es definiran una sèrie d’utilitats i eines que permetin utilitzar-los com a ‘sistema d’alerta’ i com a ‘sistema d’ajuda a presa de decisions’.

Finalment, s’han dissenyat una sèrie d’eines associades a aquest repte al portal de PIKSEL  perquè l’usuari pugui fer servir els models de machine learning. D’aquesta manera, s’aconsegueix una eina de gestió i predicció d’abast públic per a contribuir a la reducció de contaminació de l’aire per ozó troposfèric.

Aquesta eina permet obtenir imatges del que està passant a Catalunya amb la contaminació per ozó troposféric, tal i com es mostra a la imatge a continuació.

Contacte

Cecilia Soriano csoriano@cimne.upc.edu

Eva Pérez eva.gabucio@gencat.cat