Η αστική ατμοσφαιρική ρύπανση αποτελεί ζήτημα αυξανόμενης ανησυχίας τόσο για
τις δημόσιες διοικήσεις όσο και για τους πολίτες. Στην παρούσα εργασία αναπτύχθηκαν
μαθηματικές σχέσεις (μοντέλα) με χρήση της στατιστικής μεθόδου βηματικής
παλινδρόμησης για την εκτίμηση των συγκεντρώσεων των σωματιδίων (PM10 και
PM2.5). Στην εργασία εξετάστηκε κατά πόσο μετεωρολογικά δεδομένα (θερμοκρασία,
ταχύτητα και διεύθυνση ανέμου, σχετική υγρασία, βροχόπτωση), δεδομένα ποιότητας
της ατμόσφαιρας και δεδομένα ανθρωπογενούς δραστηριότητας (ειδικότερα δεδομένα
κυκλοφοριακής κίνησης), μπορούν να επιτρέψουν την πρόβλεψη των ημερήσιων
επιπέδων σωματιδιακού φόρτου στην ατμόσφαιρα στο κέντρο της Θεσσαλονίκης. Η
στατιστική ανάλυση ανέδειξε πως οι μεταβλητές που συμπεριλαμβάνονται τελικά στα
μοντέλα, που αναπτύχθηκαν στην εργασία, είναι η συγκέντρωση σωματιδίων της
προηγούμενης ημέρας, η ταχύτητα του ανέμου, η θερμοκρασία και η βροχόπτωση. Στα
πλαίσια της εργασίας υπολογίστηκαν στατιστικοί δείκτες που έδειξαν πως η επίδοση
του μοντέλου κρίνεται πολύ ικανοποιητική με σφάλματα που υπολογίστηκαν αρνητικά
αλλά μικρά (5% των μέσων τιμών των παρατηρούμενων συγκεντρώσεων PM10 και
PM2.5 αντίστοιχα). Πολύ καλή είναι η ικανότητα των μοντέλων και στην πρόβλεψη
των υπερβάσεων και μη-υπερβάσεων των οριακών τιμών για τις ημερήσιες
συγκεντρώσεις των σωματιδίων. Η επίδοση των μοντέλων αναδείχθηκε καλύτερη την
φθινοπωρινή περίοδο, όταν πνέουν άνεμοι κυρίως βόρειας και ανατολικής διεύθυνσης,
σε συνθήκες ασθενούς ανέμου ή άπνοιας και όταν δεν υπάρχουν βροχοπτώσεις.
Περιέχει : Πίνακες, σχήματα, εικόνες.
Urban air pollution is a matter of growing concern both for public administrations and
for citizens. In the present study, mathematical relations (models) were developed using
the statistical stepwise regression method for the estimation of particulate matter
concentrations (PM10 and PM2.5). The work examined whether meteorological data
(wind temperature, wind direction, relative humidity and rainfall), air quality data and
human activity data (in particular traffic data) could allow predicting the daily values
of particulate matter atmospheric concentrations in the center of Thessaloniki.
Statistical analysis showed that the variables finally included in the models, developed
in the framework of the present study, were the previous day's particulate matter
concentration, the wind speed, temperature and rainfall. Statistical indicators were
estimated to show that the performance of the model was very satisfactory with small
negative errors (5% of the mean values of the observed concentrations of PM10 and
PM2.5, respectively). Very good was the ability of the models in the prediction of the
exceedances and non-exceedances of the limit values for the daily concentrations of the
particulate matter. The performance of the models proved to be better in autumn, when
winds were of mostly northern and eastern direction, under low wind speed or calm
conditions, and when there was no rainfall.
