![]() |
| Das Dokument ist frei verfügbar |
|
| | Nachweis | Kein Nachweis verfügbar |
|
| Ozon ist ein Luftschadstoff mit negativen Auswirkungen auf die menschliche Gesundheit und auf die Vegetation. Seit den 1990er Jahre sind die Ozonkonzentrationen in Europa aufgrund von Emissionsreduzierungen zurückgegangen. Der Klimawandel wird jedoch die Bedingungen die die Ozonbildung begünstigen verstärken was zu mehr Überschreitungen der Ozonrichtwerte führen kann. Wir haben den Einsatz von Methoden des Maschinellen Lernens (ML) untersucht um Beziehungen zwischen jährlichen oder saisonalen Klimakennzahlen und der jährlichen Anzahl von Überschreitungen eines Ozonschwellenwertes für Messstandorte in Deutschland im Zeitraum 1995 − 2018 herzustellen wobei Messungen aus den Messnetzen der Bundesländer und des UBAs und COSMO-REA6 meteorologische Daten verwendet wurden. Die Vorhersagewerte (Prädiktand) waren die Anzahl der Tage pro Jahr an denen der höchste tägliche 8-Stunden-Mittelwert (MDA8) von 120 μg/m3 überschritten wurden (Ozonüberschreitungen) und die Anzahl der Episoden (zwei oder mehr aufeinander folgende Tage mit einer Ozonüberschreitung). Als Variablen (Prädiktoren) wurden unterschiedliche Klimakennzahlen (z. B. Anzahl Sommertage/Trockentage/tropische Nächte Indikatoren zu Windrichtung und relativer Feuchte) und Stationsmerkmale verwendet. Für das Maschinelle Lernen wurde H2O AutoML verwendet. Es wurden getrennte ML-Modelle für normale (weniger als 55 Überschreitungen pro Jahr) und extreme Werte (55 oder mehr Überschreitungen) entwickelt. Für die normalen Werte waren Temperaturindikatoren (Anzahl der tropischen Nächte/ Sommertage) neben Informationen über den Breitengrad die Stationshöhe und die Stationsklassifizierung die einflussreichsten Variablen. Bei den extremen Werten wurden die Auswirkungen von Strahlung relativer Luftfeuchte und Wind dominanter. Für die normalen Werte war die Güte der ML-Modelle angemessen für die extremen Werte waren die Ergebnisse jedoch weniger robust. Bei den ML-Modellen handelte es sich um sogenannte „relationship fitting“ Modelle die auf neue Jahre und Stationen angewendet werden können aber nicht für Emissionsszenarien. Sie sind weniger gut für die genaue Vorhersage extremer Bedingungen geeignet. Es ist zu empfehlen die Klimadatensätze monatlich oder saisonal aggregiert statt jährlich aggregiert zu speichern. Es sollte zudem ein Indikator für die relative Luftfeuchte festgelegt werden weil diese Variable eine wichtige Rolle in Prozessen im Bereich der Luftqualität spielt. | |
| Ozone is an air pollutant with negative impact on human health and on vegetation. Since the 1990s ozone levels have decreased due to emission reductions. However climate change will enhance the conditions favorable for ozone production leading to more exceedances of ozone thresholds. We have explored the use machine learning methods to establish relationships between annual or seasonal climate indicators and the annual number of ozone exceedances for monitoring locations in Germany covering 1995 −2018 using observations from the German networks and COSMO-REA6 meteorological data. The predictands were the number of days per year for which the daily running 8-hour average (MDA8) exceeded 120 μg/m3 and the number of episodes (two or more consecutive days with an exceedance). Variables (predictors) were several climate indicators (e. g. number of summer days/dry days/tropical nights wind direction and relative humidity) and station characteristics. H2O AutoML was used for machine learning. Separate ML models were developed for normal (less than 55 exceedances per year) and extreme conditions (55 or more exceedances). For the normal cases temperature indicators (tropical nights summer days) were dominant next to information on latitude station altitude and station classification. For the extreme cases effects of radiation relative humidity and wind became more dominant. The model performance was suitable for the normal conditions but the models were less robust for the extreme conditions. The models were relationship-fitting models that can be applied to new years and stations. They were not suitable for emission scenarios and less well suitable to predict extreme conditions accurately. It is advised to store climate data on a monthly or seasonal level instead of on annual level. It is also recommended to define an indicator for relative humidity as this variable is highly relevant for air quality processes. |
|
|