Development of an inverse model simulation methodology for localizing and assessing the strength of unspecified atmospheric pollution sources

Abstract

The rapid increase in urbanization over recent decades has significantly heightened human exposure to airborne pollutants. Air pollutants such as particulate matter (PM), nitrogen oxides (NOx), sulphur dioxide (SO2), carbon monoxide (CO), and ozone (O3) contribute to both short- and long-term health issues, including respiratory and cardiovascular diseases, as well as cancer. Additionally, accidental or deliberate releases of highly toxic chemical, biological, radiological, or nuclear (CBRN) substances could have catastrophic effects, particularly in densely populated urban areas. To mitigate air pollution exposure and prepare for toxic airborne releases, authorities and policymakers, such as the European Commission, must implement effective measures. In this regard, accurate information on air pollutant concentration levels and emission sources can be obtained using in-situ measurements and remote sensing, as well as Atmospheric Transport and Dispersion (ATD) models. At the same time, various approaches and methodologies analyse different aspects of air pollution and its negative impacts on the population and the environment. Inverse dispersion modelling is a key research area focused on identifying and quantifying unknown air pollutant source characteristics. By combining ATD model calculations with sensor observations and appropriate algorithms, these techniques can determine the location and release rate of unknown sources, either related to CBRN emissions or established source categories that can significantly impact Air Quality (AQ) levels. Additionally, they can quantify emissions from multiple known sources. These methodologies operate across different scales, from global and continental to the national and urban levels, utilizing the appropriate ATD model for each application. The primary objective of this thesis is to develop, apply, and evaluate inverse dispersion modelling methodologies for both emergency response to unknown CBRN releases and urban AQ assessment. To achieve this, numerical simulations from Computational Fluid Dynamics (CFD) dispersion models, sensor network measurements, and inverse algorithms are utilized. CFD models, known for their high spatial resolution, provide accurate street-scale predictions of airflow and pollutant dispersion by resolving turbulence caused by wind interactions with urban structures. These turbulence effects play a crucial role in determining pollutant concentration levels within complex urban environments. Various approaches, methods and algorithms have been evaluated for developing a robust urban inverse modelling system. The present thesis is structured into two main parts, each based on a specific case study. The first one, the Michelstadt wind tunnel experiment, which is used to assess and analyse inverse modelling applications and approaches based on its geometry and measurement dataset. The second one, the Augsburg city centre, serves as the case for developing the inverse modelling system in a real urban setting. In the Michelstadt case study, various CFD approaches and inverse algorithms were tested against reliable observational data. A comparison between Reynolds Averaged Navier-Stokes (RANS) and Large Eddy Simulation (LES) (used in a RANS-like method) approaches, both using the same inverse algorithm, showed similar accuracy in estimating source location and release rate of an unknown source. However, LES required over an order of magnitude more computational time than RANS. In a second application, RANS simulations for wind flow and pollutant dispersion were validated against wind tunnel measurements. Furthermore, the Bayesian-based Metropolis-Hastings Markov Chain Monte Carlo (MCMC) algorithm was tested in three independent source release scenarios, achieving high accuracy in estimating the unknown source term. A third application examined different sensor configurations in Source Term Estimation (STE) results for an unknown source, analysing the impact of sensor number and ATD model accuracy. Results showed that increasing the number of sensors and improving ATD model accuracy generally enhanced algorithm predictions. However, beyond a certain number of sensors in each release scenario, additional sensors or further improvements in ATD model performance had negligible impact on STE results. The RANS approach and the Metropolis-Hastings MCMC algorithm were utilized in the Augsburg city centre case study, based on findings from the Michelstadt experiment. The first application examined the capability of the previously used methodology for STE of individual unknown sources. However, no measurement datasets from individual sources were available for the Augsburg case study. To address this, a synthetic observational dataset was generated by extracting ATD model concentrations at hypothetical sensor positions and adding Gaussian noise. The algorithm was tested for different source positions under varying wind directions using synthetic measurement datasets, both with and without additional Gaussian noise. Results showed that when more than 10 sensors detected pollutant plumes (measuring concentrations above a specified threshold), the algorithm provided accurate predictions for both source location and release rate. However, when only 3 or 4 sensors captured concentrations above the threshold, the algorithm’s performance declined significantly. To further investigate the impact of monitoring network configuration, five sensors affected by the pollutant plume were added in each release scenario. The outcomes indicated higher accuracy when the number of affected sensors increased from 3 or 4 to 8 or 9, respectively. However, in the cases that more than 10 sensors detected concentrations above the threshold, further increases in sensor number had little impact on the algorithm’s performance. The last application introduced a novel methodology that combines the Metropolis-Hastings MCMC algorithm with the RANS-based CFD dispersion model to estimate emission rates from multiple traffic sources, using only prior knowledge of each source’s range of release rates. This approach also used synthetic measurements with Gaussian noise. The algorithm was tested on different hypothetical sensor subgroups, under various wind directions. Results indicated that the methodology is effective, achieving higher accuracy when denser monitoring networks and narrower emission rate ranges were used. However, further evaluation with real monitoring data is required. In conclusion, this study provides the necessary information, methods, and tools for developing inverse modelling systems and deploying sensor networks to estimate distinct unknown sources parameters in urban areas. Additionally, the findings to traffic-related multiple sources quantification highlights that the proposed inverse modelling methodology is capable of identifying the contributions of different sources to air quality levels. This system is highly valuable, as it can support authorities in rapid responses to emergency CBRN releases and provide policymakers with crucial information to implement measures for mitigating urban air pollution.

Η ταχεία άνοδος της αστικοποίησης τις τελευταίες δεκαετίες έχει αυξήσει σημαντικά την ανθρώπινη έκθεση σε αερομεταφερόμενους ρύπους. Ρύποι όπως τα αιωρούμενα σωματίδια (PM), τα οξείδια του αζώτου (NOΧ), το διοξείδιο του θείου (SO2), το μονοξείδιο του άνθρακα (CO) και το όζον (O3) συμβάλλουν σε βραχυπρόθεσμα και μακροπρόθεσμα προβλήματα υγείας, όπως αναπνευστικές και καρδιαγγειακές παθήσεις, καθώς και καρκίνο. Επιπλέον, τυχαίες ή εσκεμμένες εκλύσεις εξαιρετικά τοξικών χημικών, βιολογικών, ραδιολογικών ή πυρηνικών (chemical, biological, radiological, or nuclear - CBRN) ουσιών θα μπορούσαν να έχουν καταστροφικές επιπτώσεις, ιδιαίτερα σε πυκνοκατοικημένες αστικές περιοχές. Για να μειωθεί η έκθεση του πληθυσμού στην ατμοσφαιρική ρύπανση και να υπάρξει προετοιμασία για τοξικές εκλύσεις στην ατμόσφαιρα, οι αρμόδιες αρχές και οι υπεύθυνοι χάραξης πολιτικής, όπως η Ευρωπαϊκή Επιτροπή, πρέπει να εφαρμόσουν αποτελεσματικά μέτρα. Υπό αυτό το πρίσμα, ακριβείς πληροφορίες για τα επίπεδα συγκεντρώσεων ατμοσφαιρικών ρύπων και τις πηγές εκπομπών μπορούν να αντληθούν μέσω επιτόπιων μετρήσεων και τηλεπισκόπησης, καθώς και μέσω μοντέλων Ατμοσφαιρικής Μεταφοράς και Διασποράς (Atmospheric Transport and Dispersion - ATD). Παράλληλα, διάφορες προσεγγίσεις και μεθοδολογίες χρησιμοποιούνται για την ανάλυση διαφορετικών πτυχών της ατμοσφαιρικής ρύπανσης και των αρνητικών επιπτώσεών της στον πληθυσμό και το περιβάλλον. Η μοντελοποίηση αντίστροφης διασποράς αποτελεί βασικό ερευνητικό πεδίο που εστιάζει στον εντοπισμό και την ποσοτικοποίηση άγνωστων χαρακτηριστικών πηγών ατμοσφαιρικών ρύπων. Συνδυάζοντας υπολογισμούς μοντέλων ATD με παρατηρήσεις αισθητήρων και κατάλληλους αλγόριθμους, αυτές οι τεχνικές μπορούν να προσδιορίσουν τη θέση και τον ρυθμό εκπομπής άγνωστων πηγών, είτε πρόκειται για παροδικές εκπομπές CBRN είτε για καθιερωμένες κατηγορίες πηγών που επηρεάζουν σημαντικά την ποιότητα του αέρα (Air Quality - AQ). Επιπλέον, μπορούν να ποσοτικοποιήσουν τις εκπομπές από πολλαπλές γνωστές πηγές. Αυτές οι μεθοδολογίες εφαρμόζονται σε διαφορετικές κλίμακες, από παγκόσμιο και ηπειρωτικό επίπεδο έως εθνικό και αστικό, χρησιμοποιώντας το κατάλληλο μοντέλο ATD για κάθε εφαρμογή. Ο κύριος στόχος αυτής της διατριβής είναι η ανάπτυξη, η εφαρμογή και η αξιολόγηση μεθοδολογιών μοντελοποίησης αντίστροφης διασποράς τόσο για περιπτώσεις που αφορούν στην απόκριση σε έκτακτης ανάγκης άγνωστες εκλύσεις CBRN, όσο και για την εκτίμηση της ποιότητας του αέρα σε αστική κλίμακα. Για την επίτευξη αυτού του στόχου, χρησιμοποιούνται αριθμητικές προσομοιώσεις μοντέλων διασποράς Υπολογιστικής Ρευστομηχανικής (Computational Fluid Dynamics - CFD), μετρήσεις από δίκτυα αισθητήρων και αντίστροφοι αλγόριθμοι. Τα μοντέλα CFD, γνωστά για την υψηλή χωρική ανάλυσή τους, παρέχουν ακριβείς προβλέψεις σε κλίμακα δρόμου σχετικά με τη ροή του αέρα και τη διασπορά των ρύπων, λαμβάνοντας υπόψη την ατμοσφαιρική τύρβη που προκαλείται λόγω της αλληλεπίδρασης του ανέμου με τις κατασκευές των αστικών περιοχών. Η προκαλούμενη τύρβη έχει κρίσιμο ρόλο στον καθορισμό των επιπέδων συγκέντρωσης ρύπων σε πολύπλοκα αστικά περιβάλλοντα.Διάφορες προσεγγίσεις, μέθοδοι και αλγόριθμοι αξιολογούνται για την ανάπτυξη ενός αξιόπιστου συστήματος αντίστροφης μοντελοποίησης σε αστική κλίμακα. Η διατριβή χωρίζεται σε δύο κύρια μέρη, καθένα από τα οποία βασίζεται σε συγκεκριμένη μελέτη περίπτωσης. Η πρώτη αφορά στο πείραμα σε αεροσήραγγα Michelstadt, το οποίο χρησιμοποιείται για την αξιολόγηση και την ανάλυση εφαρμογών και προσεγγίσεων αντίστροφης μοντελοποίησης βάσει της γεωμετρίας και του συνόλου δεδομένων μετρήσεων του πειράματος. Η δεύτερη σχετίζεται με το κέντρο της πόλης Augsburg και χρησιμοποιείται ως η περίπτωση για την ανάπτυξη του συστήματος αντίστροφης μοντελοποίησης σε πραγματικό αστικό περιβάλλον. Στη μελέτη περίπτωσης του Michelstadt, διάφορες προσεγγίσεις CFD και αντίστροφοι αλγόριθμοι δοκιμάστηκαν έναντι αξιόπιστων δεδομένων μετρήσεων. Η σύγκριση μεταξύ των προσεγγίσεων Reynolds Averaged Navier-Stokes (RANS) και Large Eddy Simulation (LES) (χρησιμοποιούμενη με μία μέθοδο παρόμοια με RANS), και οι δύο σε συνδυασμό με τον ίδιο αντίστροφο αλγόριθμο, έδειξε παρόμοια ακρίβεια στην εκτίμηση της θέσης και του ρυθμού εκπομπής μιας άγνωστης πηγής. Ωστόσο, η προσέγγιση LES απαιτούσε πάνω από μία τάξη μεγέθους περισσότερο υπολογιστικό χρόνο σε σχέση με τη RANS. Σε μια δεύτερη εφαρμογή, προσομοιώσεις RANS για τον υπολογισμό της ροής του ανέμου και της διασποράς ρύπων επικυρώθηκαν έναντι των μετρήσεων σε αεροσήραγγα. Επιπλέον, ο Μπεϋζιανής βάσης αλγόριθμος Metropolis-Hastings Markov Chain Monte Carlo (MCMC) δοκιμάστηκε σε τρία σενάρια έκλυσης ανεξάρτητων πηγών, επιτυγχάνοντας υψηλή ακρίβεια στην εκτίμηση του άγνωστου όρου πηγής. Μια τρίτη εφαρμογή διερεύνησε διαφορετικές διατάξεις αισθητήρων στα αποτελέσματα της Εκτίμησης Όρου Πηγής (Source Term Estimation - STE) για μια άγνωστη πηγή, αναλύοντας τον αντίκτυπο του αριθμού των αισθητήρων και της ακρίβειας του μοντέλου ATD. Τα αποτελέσματα έδειξαν ότι η αύξηση του αριθμού των αισθητήρων και η βελτίωση της ακρίβειας του μοντέλου ATD γενικά ενίσχυσαν την απόδοση του αλγορίθμου. Ωστόσο, πέρα από έναν συγκεκριμένο αριθμό αισθητήρων σε κάθε σενάριο εκπομπής, η προσθήκη επιπλέον αισθητήρων ή οι περαιτέρω βελτιώσεις στο μοντέλο ATD είχαν αμελητέο αντίκτυπο στα αποτελέσματα της STE.Βάσει των ευρημάτων του πειράματος Michelstadt, η προσέγγιση RANS και ο αλγόριθμος Metropolis-Hastings MCMC χρησιμοποιήθηκαν στη μελέτη περίπτωσης του κέντρου της πόλης Augsburg. Η πρώτη εφαρμογή εξέτασε την ικανότητα της προηγουμένως χρησιμοποιούμενης μεθοδολογίας για την STE μεμονωμένων άγνωστων πηγών. Ωστόσο, δεν υπήρχαν διαθέσιμα δεδομένα μετρήσεων από μεμονωμένες πηγές για τη μελέτη περίπτωσης του Augsburg. Για να αντιμετωπιστεί αυτό το ζήτημα, δημιουργήθηκε ένα συνθετικό σύνολο δεδομένων παρατηρήσεων εξάγοντας συγκεντρώσεις του μοντέλου ATD σε υποθετικές θέσεις αισθητήρων και προσθέτοντας Γκαουσιανό θόρυβο. Ο αλγόριθμος δοκιμάστηκε για διαφορετικές θέσεις πηγών υπό μεταβαλλόμενες κατευθύνσεις ανέμου, χρησιμοποιώντας συνθετικά σύνολα δεδομένων τόσο με την προσθήκη Γκαουσιανού θορύβου όσο και χωρίς. Τα αποτελέσματα έδειξαν ότι όταν περισσότεροι από 10 αισθητήρες ανίχνευσαν το πλούμιο του ρύπου (μετρώντας συγκεντρώσεις πάνω από ένα καθορισμένο όριο), ο αλγόριθμος παρείχε ακριβείς προβλέψεις τόσο για τη θέση της πηγής όσο και για το ρυθμό εκπομπής της. Ωστόσο, όταν μόνο 3 ή 4 αισθητήρες κατέγραψαν συγκεντρώσεις πάνω από το όριο, η απόδοση του αλγορίθμου μειώθηκε σημαντικά. Για την περαιτέρω διερεύνηση της επίδρασης της διάταξης του δικτύου παρακολούθησης, προστέθηκαν πέντε αισθητήρες που επηρεάζονταν από το πλούμιο του ρύπου σε κάθε σενάριο έκλυσης. Τα αποτελέσματα έδειξαν υψηλότερη ακρίβεια όταν ο αριθμός των επηρεαζόμενων αισθητήρων αυξήθηκε από 3 ή 4 σε 8 ή 9, αντίστοιχα. Ωστόσο, στις περιπτώσεις όπου περισσότεροι από 10 αισθητήρες ανίχνευσαν συγκεντρώσεις πάνω από το όριο, περαιτέρω αυξήσεις στον αριθμό των αισθητήρων είχαν ελάχιστο αντίκτυπο στην απόδοση του αλγορίθμου. Η τελευταία εφαρμογή εισήγαγε μια καινοτόμο μεθοδολογία που συνδυάζει τον αλγόριθμο Metropolis-Hastings MCMC με το μοντέλο διασποράς CFD βασισμένο στην προσέγγιση RANS, με σκοπό την εκτίμηση των ρυθμών εκπομπής από πολλαπλές πηγές οδικής κυκλοφορίας, χρησιμοποιώντας εκ των προτέρων πληροφορίες μόνο για το εύρος του ρυθμού εκπομπής κάθε πηγής. Η συγκεκριμένη προσέγγιση χρησιμοποίησε συνθετικές μετρήσεις με Γκαουσιανό θόρυβο, επίσης. Ο αλγόριθμος δοκιμάστηκε σε διαφορετικές υποομάδες υποθετικών αισθητήρων, υπό διάφορες κατευθύνσεις ανέμου. Τα αποτελέσματα έδειξαν ότι η μεθοδολογία είναι αποτελεσματική, επιτυγχάνοντας υψηλότερη ακρίβεια με τη χρήση πυκνότερων δικτύων παρακολούθησης και στενότερων ορίων ρυθμών εκπομπής. Ωστόσο, απαιτείται περαιτέρω αξιολόγηση με πραγματικά δεδομένα μετρήσεων.Συμπερασματικά, η μελέτη αυτή παρέχει τις απαραίτητες πληροφορίες, μεθόδους και εργαλεία για την ανάπτυξη συστημάτων αντίστροφης μοντελοποίησης και την εγκατάσταση δικτύων αισθητήρων για την εκτίμηση παραμέτρων άγνωστων πηγών σε αστικές περιοχές. Επιπλέον, τα ευρήματα σχετικά με την ποσοτικοποίηση πολλαπλών κυκλοφοριακών πηγών καταδεικνύουν ότι η προτεινόμενη μεθοδολογία αντίστροφης μοντελοποίησης είναι ικανή να αναγνωρίσει τη συνεισφορά διαφορετικών πηγών στα επίπεδα ποιότητας του αέρα. Το σύστημα αυτό είναι ιδιαίτερα πολύτιμο, καθώς μπορεί να προσφέρει υποστήριξη στις αρμόδιες αρχές για άμεση αντίδραση σε έκτακτες εκπομπές CBRN και να παρέχει στους υπεύθυνους χάραξης πολιτικής χρήσιμες πληροφορίες για την εφαρμογή μέτρων μείωσης της αστικής ατμοσφαιρικής ρύπανσης.