Cieto daļiņu atmosfēras piesārņojuma īstermiņa prognostiskā modeļa izstrāde Rīgas aglomerācijai

Abstract

Maģistra darba ietvaros izstrādāts cieto daļiņu atmosfēras piesārņojuma īstermiņa prognostiskais modelis diennakts periodam Rīgas aglomerācijai. Rīga ir viena no pilsētām, kurā ilgtermiņā novērojami cieto daļiņu normatīva pārsniegumi, tikai Dānijā, Igaunijā, Somijā, Īrijā, Luksemburgā un Apvienotā Karalistē pēdējos gados normatīvs nav ticis pārsniegts (EEA, 2015) Eiropā. Atmosfēras piesārņojuma līmeņa regulēšanā un uzlabošanā iespējams izmantot dažāda līmeņa pasākumus: drastiskus, regulējošus un informatīvus. Informatīvo pasākumu kopums ietver ne tikai informācijas sniegšanu par piesārņojuma līmeni, bet prognostisko modeļu izstrādi un iedzīvotāju brīdināšanu par sagaidāmo piesārņojuma līmeni nākotnē, kas ļauj samazināt saslimšanas risku un līdz ar to samazināt negatīvo ietekmi. Pētījumā konstatēts, ka prognozes kvalitāte ir atkarīga no piesārņojuma datu projektīvā seguma un datu rindas nepārtrauktības. Modeļu rezultāti liecina, ka daudzfaktoru regresijas analīzes metodes sniedz labus statistiski ticamus rezultātus cieto daļiņu (PM2.5) piesārņojuma prognozei, līdz ar to pierādīta modeļa lietderība un tas rekomendējams izmantošanai gaisa kvalitātes pārvaldībā.

Model for short-term forecasting particle pollution in the Riga agglomeration was developed during Masters’ paper study. For a long time the maximum level of particulate matter is exceeding standards in Riga. In the last years most European countries failed to meet standards for particulate matter concentration, except Denmark, Estonia, Finland, Ireland, Luxembourg and United Kingdom (EEA, 2015). It is possible to regulate and reduce levels of atmospheric pollution using drastic, regulation and informational measures. Informational measures consists not only from information provision, it also includes forecasting model development and providing information to the citizens about upcoming pollution levels in the future, what would reduce the risk of developing illness and therefore reduce the negative impact. The findings from the research show that forecast quality depend on data cover and data series continuity. Models results shows, that multiple linear regression methods provide good and statistically significant results for predicting particulate matter (PM2.5) pollution. Results proved models feasibility and tehrefore model are recommended for applying in air quality