Niedobová BAKALÁŘSKÁ PRÁCE Katedra ochrany životního prostředí v průmyslu 2018 Barbora Fakulta metalurgie a materiálového inženýrství Vysoká škola báňská – technická univerzita Ostrava

(1)

BAKALÁŘSKÁ PRÁCE

Vysoká škola báňská – technická univerzita Ostrava Fakulta metalurgie a materiálového inženýrství Katedra ochrany životního prostředí v průmyslu

2018 Barbora Niedobová

(2)

(3)

(4)

(5)

(6)

Abstrakt

Úkolem této bakalářské práce je s využitím matematické analýzy zpracovat data z imisního monitoringu a určit tak zdroje znečištění ovzduší. Vlastnosti znečišťujících látek a principy jednotlivých analýz jsou popsány v teoretické části. Samostatné výsledky jsou shrnuty v praktické části.

Klíčové slova: znečištění ovzduší, imisní monitoring, matematická analýza.

Abstract

This thesis focuses on data from imission monitoring and deals with air pollution sources with the help of mathematical analysis. Theoretical part describes qualities of pollutants and principles of individual analyses. The results are described in practical part.

Key words: air pollution, pollution monitoring, mathematical analysis.

(7)

Poděkování

Tímto bych chtěla velmi poděkovat vedoucímu mé bakalářské práce RNDr. Janu Bittovi Ph.D. za jeho cenné rady a čas, který mi věnoval.

Dále pak děkuji rodině za podporu při studiu.

(8)

Obsah

1 Úvod ... 2

2 Znečištění ovzduší ... 3

2.1 Tuhé znečišťující látky ... 3

2.2 Těžké kovy ... 5

2.3 Polycyklické aromatické uhlovodíky ... 6

2.4 Imisní limity ... 6

2.5 Imisní monitoring ... 8

3 Metody ... 11

3.1 Faktorová analýza ... 11

3.2 Metoda hlavních komponent ... 12

3.3 PMF ... 13

4 Experimentální část ... 16

4.1 Imisní měření Olomouc – Šmeralova ... 16

4.2 Analýza dat metodou hlavních komponent ... 17

4.3 Odhad zdrojů pomocí PMF ... 19

4.4 Diskuze výsledků ... 31

5 Závěr ... 32

Literatura ... 33

Seznam obrázků: ... 36

Seznam tabulek: ... 38

(9)

Seznam grafů:... 39

Příloha 1: ... 40

(10)

2

1 Úvod

Znečištěné ovzduší patří mezi základní ekologické problémy, které ovlivňují zdraví a životy lidí. Vdechované tuhé částice mohou přes plícní sklípky proniknout až do krevního oběhu a tak negativně ovlivnit veškeré lidské orgány a způsobit tak v mnohých případech závažné onemocnění. Množství znečišťujících látek v ovzduší je způsobeno činností člověka. Kvalita ovzduší, nejen v Olomouckém kraji, je ovlivněna jak průmyslovými a energetickými podniky, tak i vytápěním domácností, silniční dopravou a také aktuálními meteorologickými podmínkami. Dopady znečištění nemusí mít jen lokální ale i regionální až celosvětový rozsah.

Olomouc patří mezi místa se zhoršenou kvalitou ovzduší, řadí se mezi ně překračováním imisních limitů některých ze zákona sledovaných znečišťujících látek.

S využitím imisních měření a rozptylových studií je toto znečišťování soustavně monitorováno a vyhodnocováno. Tyto data jsou pak dostupné široké veřejnosti na stránkách Českého hydrometeorologického ústavu.

Analýza dat z imisních monitoringů je nástroj pro hlubší rozbor stavu ovzduší a verifikaci výsledků mnohem podrobnějších rozptylových modelů. Z těchto dat může být mimo jiné určen původ znečištění, což je i cílem této práce.

(11)

3

2 Znečištění ovzduší

Podle zákona č. 201/2012 Sb. o ochraně ovzduší je znečišťující látkou každá látka, která svou přítomností v ovzduší má nebo může mít škodlivé účinky na lidské zdraví nebo životní prostředí anebo obtěžuje zápachem. Úroveň znečištění je hmotnostní koncentrace znečišťující látky v ovzduší (imise) nebo její depozice na zemský povrch za jednotku času.[9]

2.1 Tuhé znečišťující látky

Tuhé znečišťující látky mají schopnost vytvářet se vzduchem dvojfázové disperzní systémy, v nichž je vzduch disperzním prostředím a tuhé částice dispergovanou látkou.

Podle stability disperzního systému dělíme tyto látky na prachy a aerosoly. Důležitým parametrem tuhých znečišťujících látek je velikost jednotlivé částice, která je základním údajem pro určení granulometrického složení prachu. Tato velikost se pohybuje ve velmi širokém rozmezí, a to od velikosti řádu 10^-4µm až po 10³µm.[3]

Zdroje anorganických a organických částic jsou jak přírodní, tak antropogenní, nicméně v České republice, stejně jako v celé Evropě, pochází většina částic z antropogenních zdrojů. Částice se dělí podle původu na primární (emitované zdroji), sekundární (vznikající chemickými a fyzikálními reakcemi v atmosféře) a resuspendované (reemise, znovuzvíření částic po jejich usazení). Hlavními antropogenními zdroji jsou spalovací procesy (průmyslové i domácí), spalovací motory (doprava), emise z průmyslu, nakládání a vykládání zboží, báňská činnost a stavební práce. Částice bez rozlišení velikosti se označují jako prašný aerosol (PA) nebo tuhé znečišťující látky (TZL) resp. PM (z anglického particulate matter). Pro částice, které v důsledku zanedbatelné pádové rychlosti přetrvávají dlouhou dobu v atmosféře, je zavedeno pojmenování suspendované částice. Tyto částice byly dříve výstižně nazývány polétavým prachem. Frakce částic menších než 10, 2,5, resp. 1 µm se označují PM10, PM 2,5, resp. PM1. Částice velikosti 2,5 a 10 µm se označují hrubá frakce, částice velikosti 0,1 až 2,5 µm jemná frakce a částice menší než 0,1 µm velmi jemné částice. [4]

(12)

4 Obrázek 1- velikost tuhé částice PM2,5-10; zdroj:www.epa.gov

Škodlivý účinek částic závisí na jejich velikosti, složení a případně morfologii.

Pomineme-li cestu vstupu do organizmu prostřednictvím potravy, která se dá před kontaminací do značné míry chránit, jsou hlavním vstupem do těla dýchací orgány. Cesta od nosní a ústní dutiny přes průdušky až do plicních sklípků vytváří přirozené překážky pro částice tak, že jen nejmenší částice se dostávají až do plic. Čím jsou částice menší, tím hlouběji do organizmu pronikají, a tím větší je riziko jejich negativního zdravotního dopadu. Frakce částic velikosti 2,5 až 10 µm ovlivňuje převážně dýchací cesty a plíce, částice menší než 2,5 µm převážně ovlivňují kardiovaskulární systém a velmi jemné částice s velikostí menší než 0,1 µm prostupují do krve a ovlivňují tak přímo jednotlivé orgány. Rizikovost částic je zvyšována dalšími na ně navázanými škodlivými látkami, jako jsou např. polycyklické aromatické uhlovodíky a těžké kovy. Suspendované částice mohou způsobit zvýšenou produkci hlenu a sníženou samočisticí schopnost dýchacího ústrojí, což usnadňuje vznik infekce. Recidivující akutní zánětlivá onemocnění mohou vést ke vzniku chronické bronchitidy a chronické obstrukční nemoci plic s následným přetížením pravé srdeční komory a oběhovým selháváním. Tento vývoj je současně podmíněn a ovlivněn

(13)

5 mnoha dalšími faktory jako je stav imunitního systému, alergická dispozice, expozice v pracovním prostředí, kouření apod. [4]

Obrázek 2 - průnik tuhých částic do lidského organismu; zdroj: www.ovzdusi-brno- jm.cz

2.2 Těžké kovy

V oblasti ochrany životního prostředí jsou těžké kovy skupinou kovů s hmotností prvku větší než 4 g·cm^-3. Patří sem: As, Cd, Cr, Cu, Hg, Ni, Pb a Zn. Všechny tyto prvky, nebo jejich sloučeniny jsou již ve stopových koncentracích toxické. Nositelem těžkých kovů v atmosféře jsou částice prašného aerosolu. Zdroje emisí těžkých kovů jsou zejména:

spalování fosilních paliv, výroba a zpracování železa, metalurgie neželezných kovů, spalovny odpadu, výroba cementu, výroba skla, elektrolytická výroba chloru a louhu a doprava. Jedná se o kovy s nízkou teplotou varu a nízkým výparným teplem.[23]

(14)

6

2.3 Polycyklické aromatické uhlovodíky

Polycyklické aromatické uhlovodíky (z anglického jazyka polycyclic aromatic hydrocarbons PAHs) jsou širokou skupinou chemických látek, které jsou tvořeny dvěma či více kondenzovanými aromatickými jádry. Vznikají především nedokonalým spalováním, kterým se zároveň spolu s aerosolovými částicemi uvolňují do ovzduší. Dle původu je můžeme rozdělit na přírodní a antropogenní. Přírodními zdroji jsou například lesní a stepní požáry, které díky dálkovému transportu mohou mít vliv i na městské ovzduší. V menší míře PAU vznikají i biosyntézou terestrickými rostlinami, řasami a mikroorganismy, ale jejich podíl je minimální oproti emisím ze spalování.

Antropogenní zdroje v městském prostředí dominují a jsou jimi především lokální topeniště, doprava a průmysl. Díky dálkovému transportu se mohou vyšší koncentrace PAHs projevit i v oblastech bez zdrojů znečištění.

Fyzikální a chemické vlastnosti závisí především na molekulární hmotnosti daného uhlovodíku. Čím je vyšší, tím klesá tenze par (jsou méně těkavé) a rovněž rozpustnost ve vodě, naopak roste bod tání a bod varu. PAHs se podle toho dělí do dvou kategorií – PAHs s nízkou molekulární hmotností, které jsou tvořeny méně než čtyřmi aromatickými kruhy a PAHs s vysokou molekulární hmotností, které tvoří více než čtyři kondenzovaná aromatická jádra. PAHs spadající do první kategorie, se v ovzduší mohou vyskytovat jak v plynné fázi v podobě samostatných molekul pohybujících se difúzí, tak ve fázi pevné, kdy jsou adsorbované na aerosolových částicích nebo absorbované organickou hmotou.

Toxicitu jemných částic PM2,5 mají z velké části na svědomí právě polycyklické aromatické uhlovodíky, u kterých byla jako u jedněch z prvních atmosférických polutantů prokázána karcinogenita. Do organismu pronikají PAU především dýchacími cestami z venkovního či vnitřního ovzduší. [20]

2.4 Imisní limity

Imisní limit je nejvýše přípustná hmotnostní koncentrace znečišťující látky obsažená v ovzduší. Hodnota imisních limitů pro jednotlivé znečišťující látky obvykle odpovídá stanoveným hodnotám nejvyšších přípustných koncentrací (NPK), vyjadřujících

(15)

7 škodlivost znečišťujících látek z hygienických hledisek z pohledu lidského zdraví. Imisní limity jsou dány zákonem o ochraně ovzduší 201/2012 Sb.[18] [5]

Tabulka 1 Imisní limity vyhlášené pro ochranu zdraví lidí a maximální počet jejich překročení [9]

Znečišťující látka Časový interval Hodnota IL (µg/m³) Maximální počet překročení

PM10

1 rok 40 0

24h 50 35

PM2,5 1 rok 20 0

Benzen 1 rok 5 0

Olovo 1 rok 0,5 0

Tabulka 2 Imisní limity pro celkový obsah znečišťující látky v částicích PM10 vyhlášené pro ochranu zdraví lidí [9]

Znečišťující látka Doba průměrování Hodnota IL (ng/m³)

Arsen 1 rok 6

Kadmium 1 rok 5

Nikl 1 rok 20

Benzo(a)pyren 1 rok 1

(16)

8

2.5 Imisní monitoring

Imisní monitoring je složka Úseku ochrany čistoty ovzduší (ÚOČO), jehož úkolem je monitorovat kvalitu ovzduší na území České republiky. Má dvě hlavní složky - Manuální imisní monitoring (MIM) a Automatický imisní monitoring (AIM). Každoroční hodnocení kvality ovzduší se opírá o data ze stanic imisního monitoringu archivovaná v imisní databázi Informačního systému kvality ovzduší (ISKO), který provozuje ČHMÚ.

Vedle údajů ze stanic imisního monitoringu ČHMÚ přispívá do imisní databáze ISKO již řadu let několik dalších organizací podílejících se na sledování znečištění venkovního ovzduší v České republice (např. Zdravotní ústavy, VÚLHM, ČEZ, městské úřady, aj.).

Data z ISKO jsou každoročně zpracovávána a prezentována v podobě publikace

„Znečištění ovzduší na území České republiky“, kterou tvoří grafická a tabelární část a jsou dostupné na webových stránkách ČHMÚ.[1][2]

2.5.1 Imisní stanice Olomouc-Šmeralova

Data v této práci byla naměřena ve stanici imisního monitoringu v Olomouci.

Konkrétně to byla stanice Olomouc-Šmeralova. Stanice je umístěna na Šmeralově ulici v areálu VŠ kolejí v nadmořské výšce 220 m.n.m. a ve velmi málo zvlněném terénu. Dle klasifikace EOI se jedná o stanici pozaďovou městskou obytnou. Stanice sbírá reprezentativní vzorek oblastního měřítka. Provozována je Zdravotním ústavem se sídlem v Ostravě.

(17)

9 Obrázek 3 mapa umístění stanice Olomouc-Šmeralova; zdroj:googlemaps.com

Obrázek 4-mapa umístění stanice Olomouc-Šmeralova; zdroj:googlemaps.com

(18)

10 Tabulka 3 - Přehled měřících programů na AIM Olomouc -Šmeralova

Program Látka Časový interval

Automatizovaný měřící program (MOLSA)

PM2,5 1h

PM10 1h

Měření PAHs (MOLSP)

Benzo(a)antracen 1d/3d

Benzo(b)fluoranten 1d/3d

Indeno(1,2,3,-c,d)pyren 1d/3d

Benzo(g,h,i)perylen 1d/3d

Chrysen 1d/3d

Benzo(j)fluoranten 1d/3d

Benzo(a)pyren 1d/3d

Dibenzo(a,h)antracen 1d/3d Toxický ekvivalent sumy PAH 1d/3d

Měření těžkých kovů (MOLS0)

Olovo 14d

Měď 14d

Nikl 14d

Kadmium 14d

Mangan 14d

Arsen 14d

(19)

11

3 Metody

Matematické metody založené na faktorové analýze jsou vhodným nástrojem pro identifikaci dominantních zdrojů znečišťování ovzduší z imisních dat.

3.1 Faktorová analýza

Faktorová analýza je statistická metoda, jejíž podstatou je rozbor struktury vzájemných závislostí proměnných na základě předpokladu, že jsou tyto závislosti důsledkem působení určitého menšího počtu v pozadí stojících nezměřitelných faktorů, které jsou nazývány společné faktory nebo faktory ( common factors, factors). Cílem faktorové analýzy je tedy redukce počtu proměnných (neboli charakterizování sady proměnných menším počtem společných faktorů) a odhalení struktury vztahů mezi proměnnými. Faktorová analýza vznikla v oblasti psychologie a byla po dlouhou dobu používána téměř výhradně v tomto oboru. V posledních desetiletích ovšem pronikla i do dalších vědních oborů a našla uplatnění i v biologii a medicíně.

Na rozdíl od analýzy hlavních komponent (PCA), jejíž hlavním cílem je vysvětlit maximum variability dat, se faktorová analýza snaží vysvětlit kovarianci mezi proměnnými. Faktorová analýza předpokládá, že pozorované proměnné jsou lineární kombinací hypotetických proměnných - faktorů. Problémy ve faktorové analýze můžou spočívat v nejednoznačnosti odhadů faktorových parametrů (tedy závislost výsledků faktorové analýzy na použité rotaci) a v nutnosti specifikovat počet společných faktorů před provedením analýzy. Předností faktorové analýzy je větší úspornost a obecnost.

Obecný problém faktorové analýzy lze formulovat jako:

Význam proměnných ve vztahu je následující:

xi,j ... proměnná j v naměřeném vzorku i f^k,j... přispění proměnné j k profilu zdroje n gi,k... přispění zdroje n ke vzorku i

(20)

12 e^i,j... chybový člen – „šum“, případně informace, která není pokryta

matematickým modelem.

Kromě již zmíněné metody PCA, patří také do faktorové analýzy metody jako:

UNMIX, CMB(Chemical Mass Balance) nebo PMF (Pozitive Matrix factorization). V této práci jsou data zpracována metodou PMF.[6]

3.2 Metoda hlavních komponent

Metodu hlavních komponent (Principal Component Analysis, PCA) zavedl již v roce 1901 anglický matematik, filozof a zakladatel oboru matematické statistiky Karl Pearson jako popisnou statistickou metodu, která sloužila zejména k redukci mnohorozměrných dat. Na jeho práci navázal v roce 1933 statistik Harold Hotelling, a to tím způsobem, že zobecnil postup aplikací komponentní analýzy na náhodné vektory a navrhl použití metody hlavních komponent pro rozbor kovarianční struktury proměnných.

Proto můžeme tuto metodu najít také pod názvem Hotellingova transformace (Hotelling Transform). V současné statistické literatuře je metoda hlavních komponent doporučována zejména jako význačný nástroj průzkumové analýzy dat pro ověřování předpokladů, dále jako samostatný nástroj rozboru struktury vztahů v množině vzájemně závislých pozorování a v neposlední řadě jako užitečný pomocník některých metod mnohorozměrné statistické analýzy.

Metoda hlavních komponent pomáhá jako jedno z možných prvních řešení například diskriminační analýze v případě malého počtu pozorování a velkého počtu proměnných, dále umožňuje regresní analýze odstranit problémy s multikolinearitou a přebytečným počtem vzájemně závislých vysvětlujících proměnných, pomáhá také shlukové analýze při klasifikaci objektů do homogenních skupin na základě velkého počtu proměnných, ale i faktorové analýze a dalším mnohorozměrným metodám [14], [15].

Základní cíl metody hlavních komponent spočívá zejména ve zjednodušení popisu skupiny vzájemně lineárně závislých, tedy korelovaných znaků. Metoda se snaží snížit dimenzi úlohy neboli redukovat počet znaků bez velké ztráty informace, což je výhodné především pro zobrazení mnohorozměrných dat. Jednotlivé měřené veličiny poměrně často vykazují silnou korelaci. Pro zjednodušení analýzy a snadnější hodnocení výsledků je

(21)

13 vhodné zkoumat, zda je možné celou skupinu proměnných (tedy studované vlastnosti pozorovaných objektů) nahradit jedinou veličinou nebo menším počtem veličin, které budou nést o datech téměř stejnou informaci, jako nesly veličiny původní. [17], [16].

3.3 PMF

PMF představuje nový přístup k provádění faktorové analýzy. Patří do skupiny analýz, které eliminují duplicity a zhušťují informace obsažené v původních proměnných do menšího počtu vzájemně nekorelovaných proměnných.

Metoda PMF je využitelná při delších etapách měření imisí, kdy jsou znečišťující látky na síti monitorovacích stanic sledovány v průběhu např. několika let.

Positive Matrix Factorization (PMF) přistupuje k řešení faktorové analýzy zcela jinak. PCA a od ní odvozené modely obvykle normalizují data, což vede k nežádoucí deformaci prováděné analýzy. Optimální transformací přitom je měnit váhy pro každý bod měření individuálně. Tak lze docílit většího vlivu přesnějších dat na výsledek, zatímco data s vyšší měrou nejistoty tolik výsledek neovlivní.

PMF používá přístup explicitních nejmenších čtverců (statistická metoda, která je využívána pro zpracování nepřesných dat), kde je zapotřebí minimalizovat funkci Q tj.

minimalizovat chybu či nejistotu, danou rovnicí:[7]

kde: xij je proměnná j naměřená ve vzorku i (fyzikální parametry nebo koncentrace);

gik - přispění zdroje k ke vzorku i;

fkj - přispění proměnné j k profilu zdroje k;

uij - označuje odhady nejistot j-té proměnné v i-tém vzorku.

V praxi se často využívá kombinace metod PCA a PMF. Metoda PCA odhaduje počet relevantních faktorů a PMF provádí faktorizaci. Toho bylo využito například při

(22)

14 identifikaci zdrojů znečištění. Tímto způsobem můžeme rozlišit specifické markery, či soubor markerů určitých zdrojů znečišťování ovzduší. Příklad těchto markerů je zobrazeno v tabulce (Tabulka 4) [8]

Tabulka 4-zjištěné markery

Faktor Zdroj Skupina prvků

1 Prach zemské kůry Si,Th,Al,Fe,U

2 Mořské aerosoly Na, Mg, Sr, K

3 Petrochemický průmysl V,Ni

4 Ocelárna+metalurgický průmysl Rb, Cs, Ag, Pb ,Ca, Si, Pb

5 Koksovna As, Bi, Cd, Sb, Rb, Se

6 Výroba feromanganu Mn,Mo, As, Cd, Pb

7 Silniční doprava Cu, Sb, Ba, Zn

8 Reemise Ni, Cr, Al, Ca, Sc, U

Metody PMF lze využít k identifikaci znečištění, jak tomu bylo v polském Krakově, kde v zabydlené oblasti byly odebírány vzorky polétavého prachu velikostní frakce 2,5 µm od 1.2.2014 do 31.1.2015. Z těchto dat pak byly vyhodnoceny měsíční koncentrace znečištění. Nejnižší koncentrace byla naměřena v srpnu a nejvyšší v únoru, také byla vyhodnocena souvislost znečištění na ročním období.[10]

V České Republice se tato metoda využila např. v Březnu, tato obec se nachází v průmyslovém regionu u Mladé Boleslavi. V této obci byly vzorky měřeny v 60 a 90 minutových intervalech, jednalo se o částice PM 1-10. Tato data pak byla zpracována metodou PMF a byla vyhodnocena hmotnostní koncentrace. Bylo také zjištěno složení 27 chemických prvků a identifikováno 7 zdrojů znečištění a změny složení znečišťujících látek v zimním a letním období. Dále pak jsme se s touto metodou mohli setkat v

(23)

15 Košeticích, ba dokonce i v Ostravě, kde byly měřeny částice PM2,5 v jarním a podzimním období. Využitím metody PMF, byly zjištěny zdroje znečištění a také procentuální složení znečišťujících látek. Metoda PMF je tedy už dnes standardní nástroj pro analýzu dat z imisních měření.[11][12][13] Další města, kde byla tato metoda využita, jsou zobrazeny na mapě, viz obrázek č. 5.

Obrázek 5 - Mapa měst, ve kterých byla využita metoda PMF. [zdroj: příloha č.1]

(24)

16

4 Experimentální část

4.1 Imisní měření Olomouc – Šmeralova

Data pro tuto bakalářskou práci byla převzata ze stanice městského imisního monitoringu, nacházející se v Olomouci na ulici Šmeralova. Jedná se o koncentrace znečišťujících látek pro rok 2015 a 2016. Mezi tyto látky patří tuhé znečišťující látky PM2,5

a PM10, těžké kovy: arsen, kadmium, chrom, mangan, nikl a olovo a dále pak polycyklické aromatické uhlovodíky např.: benzo(a)antracen, chrysen, benzo(a)pyren, atd. Data o koncentracích znečišťujících látek, o přesnostech měření a mezích detekce byla poskytnuta Zdravotním ústavem se sídlem v Ostravě.

Tabulka 5 - přesnost měření a mez detekce

škodlivina jednotka nejistota mez detekce

As µg/m3 20% 0,0012

Cd µg/m3 20% 0,0037

Mn µg/m3 20% 0,0052

Ni µg/m3 20% 0,005

Pb µg/m3 20% 0,00035

Cr µg/m3 20% 0,0012

benzo(a)anthracen ng/m3 20% 0,05

Chrysen ng/m3 20% 0,07

benzo(b)fluoranten ng/m3 20% 0,07

benzo(k)fluoranten ng/m3 20% 0,03

benzo(a)pyren ng/m3 20% 0,03

benzo(ghi)perylen ng/m3 20% 0,1

dibenzo(ah)anthracen ng/m3 20% 0,2

indeno(1,2,3-

cd)pyren ng/m3 20% 0,1

benzo(j)fluoranten ng/m3 20% 0,1

(25)

17 Tabulka 6 - základní statistiky naměřených dat

znečišťující látka

minimální hodnota

maximální

hodnota průměr

počet měření

As (arzen)[μg/m³] 0,299 2,33 1,01 725

Cd (kadmium)[μg/m3] 0,064 0,64 0,21 725

Cr (chrom)[μg/m3] 0,34 3,38 1,97 725

Mn (mangan)[μg/m3] 2,08 25,3 10,76 725

Ni (nikl)[μg/m3] 0,26 2,16 0,93 725

Pb (olovo)[μg/m3] 2,35 25,9 10,58 725

benzo(a)anthracen[ng/m3] 0,015 19 1,55 241

chrysen[ng/m3] 0,025 17 1,44 240

benzo(b)fluoranten[ng/m3] 0,017 8,9 1,17 241

benzo(k)fluoranten[ng/m3] 0,015 5,2 0,64 241

benzo(a)pyren[ng/m3] 0,015 9,6 1,25 241

benzo(ghi)perylen[ng/m3] 0,025 6,7 0,87 241

dibenzo(ah)anthracen[ng/m3] 0,05 0,5 0,12 241

indeno(1,2,3-

cd)pyren[ng/m3] 0,05 6,3 0,98 241

benzo(j)fluoranten[ng/m3] 0,005 6,1 0,63 241

PM2,5 [μg/m3] 3 108,9 18,40 691

PM10 [μg/m3] 3,2 122,7 23,68 692

4.2 Analýza dat metodou hlavních komponent

Metoda hlavních komponent byla provedena v programu R. Je to volně šiřitelný programovací jazyk, který umožňuje špičkové zpracování dat včetně grafických výstupů.

V základní verzi obsahuje nástroje pro statistické testy, lineární a nelineární regresi, klastrovou analýzu nebo analýzu hlavních komponent.[21,22]

Touto metodou byl zjištěn počet faktorů, tedy počet významných skupin znečišťujících zdrojů. Pro tuto analýzu je důležitá hodnota standardní odchylky. Pouze faktor, jehož hodnota je větší než jedna, je pro analýzu významný. Případně bereme faktory s kumulativním podílem nad 75%. V opačném případě se pravděpodobně jedná o šum. V této práci jsem použila 4 faktory, tři z nich mají větší hodnotu než jedna, čtvrtý

(26)

18 faktor má hodnotu blízkou jedné, konkrétně 0,92736. Dohromady tyto 4 faktory určují 86,259% variability z naměřených dat.

Graf 1 - výsledky analýzy hlavních komponent

3,1

1,8

1 0,9 0,8 0,8

0,6 0,5 0,4 0,4 0,3 0,2 0,2 0,1 0,1 0,1 0,1

0 10 20 30 40 50 60 70 80 90 100

0 0,5 1 1,5 2 2,5 3 3,5

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Kumulativní podíl na variabilitě dat[%]

Standardní odchylka faktoru

Číslo faktoru

(27)

19 Tabulka 7 - výsledky analýzy hlavních komponent

Číslo faktoru Standardní odchylka Kumulativní podíl (%)

1 3,1 56,17

2 1,8 75,09

3 1 81,2

4 0,9 86,26

5 0,8 90,2

6 0,8 93,71

7 0,6 95,98

8 0,5 97,34

9 0,4 98,16

10 0,4 98,97

11 0,3 99,39

12 0,2 99,6

13 0,2 99,79

14 0,1 99,9

15 0,1 99,96

16 0,1 99,99

17 0,1 100

4.3 Odhad zdrojů pomocí PMF

K analýzám pro odhad znečišťujících zdrojů pomocí metody PMF jsem použila softwarový nástroj U.S. EPA PMF, verzi 5.0.

(28)

20 Postup:

Na začátku jsem do programu vložila vstupní data v podobě dvou tabulek.

Jedna obsahuje koncentrace naměřených látek a druhá odchylky měření, pro každou měřenou látku detekční limit a chybový zlomek.

Rovná li se koncentrace nebo je menší než detekční limit je přesnost počítána jako:

Pokud je koncentrace větší než detekční limit přesnost se počítá jako:

;kde DL = detekční limit;

N = nepřesnost.

Dále jsem pak zadala složku, do které byly uloženy výstupní soubory z analýzy.

Před spuštěním jsme zadala počet výpočtů algoritmu (anglicky Number of Runs), k mé analýze jsem určila 100 počtů běhů. Tento počet zaručuje stabilní avšak časově nenáročné řešení.

Je nutné určit počet faktorů, které chceme ze souboru extrahovat (anglicky Number of Factors), jak jsem již zmínila, použila jsem 4 faktory. Dále jsem určila počáteční bod výpočtu (anglicky Seed) jako náhodný.

(29)

21 Nyní přichází na řadu samotná analýza, která nám umožňuje zobrazit tyto údaje:

- Koncentrace/nepřesnosti (anglicky Concentration / Uncertainity). Zde můžeme vidět základní statistiky (poměr signál /šum, minimum, maximum, medián a kvartily) viz obrázek č.5. Vzhledem k tomu, že více než polovina měření koncentrace dibenzo(ah)antracenu byla pod hodnotou detekčního limitu, tuto látku jsem vyřadila z analýz vedoucích k identifikaci potenciálních zdrojů což je zobrazeno také na obrázku č.6.

Obrázek 6 - Koncentrace, nepřesnost Olova; základní statistiky

(30)

22 - Graf rozptylu koncentrací (anglicky Concentration Scatter Plot). Uživatel si zvolí jednu proměnnou na ose X a jednu proměnnou na ose Y a pozoruje vzájemnou korelaci.

Dobrá korelace může znamenat, že látky pocházejí ze stejného zdroje znečištění. Příklad vzájemné korelace je zobrazen na obrázku č. 7.

Obrázek 7 - vzájemná korelace PM2,5 a PM10

(31)

23 - Časové řady koncentrací (anglicky Concentration Time Series). Zde můžeme vidět koncentrace látek v průběhu času. Lze zde sledovat trendy (např. periodicitu) jednotlivých látek. V grafu můžeme pozorovat vzájemné korelace vícerých látek v čase.

Rovněž je možné odhalit společný zdroj více látek na mimořádných výkyvech v koncentracích viz obrázek č.8.

- výjimky v datech (anglicky Data Exceptions) – zde můžeme vidět všechny změny, které byly vytvořeny v grafickém uživatelském rozhraní.

Výsledky základního modelu (anglicky Base Run Results):

-Analýza reziduí (anglicky Residual Analysis). Program vytvoří pro každou látku histogram reziduí, ze kterého lze určit, jak dobře model odpovídá jednotlivým látkám.

Residua by ideálně měla být symetrická kolem nuly a u nuly mít maximum, viz obrázek č. 9.

Obrázek 8 - závislost koncentrace PM10 na čase

(32)

24 Obrázek 9 - histogram residuí pro Arsen

-Graf rozptylu pozorovaných / předpověděných hodnot (anglicky Observed / Predicted Scatter Plot). Zobrazuje koncentrace jednotlivých látek a jejich závislost mezi předpověděnými a pozorovanými hodnotami, viz obrázek č. 10. Kvalita výsledků všech měřených látek je zobrazena v tabulce č. 9.

Obrázek 10 - graf rozptylu pozorovaných a předpověděných hodnot PM10

(33)

25 Tabulka 8 - tabulka kvality výsledků

Látka

r²=koeficient determinovanosti

As 0,95389

Cd 0,63009

Cr 0,57808

Mn 0,81426

Ni 0,6245

Pb 0,73905

Benzo(a)anthracen 0,92458

Chrysen 0,92815

Benzo(b)fluoranten 0,97871 Benzo(k)fluoranten 0,97605

Benzo(a)pyren 0,96324

Benzo(ghi)perylen 0,95821 Indeno(1,2,3-

cd)pyren 0,96841

Benzo(j)fluoranten 0,88462

PM2,5 0,98178

PM10 0,97682

-Graf časové závislosti pozorovaných / předpověděných hodnot (anglicky Observed / Predicted Time Series). Tento graf zobrazuje závislost mezi pozorovanými a předpověděnými hodnotami v časové řadě. Konkrétně v tomto případě je z obrázku č. 11 patrné, že se hodnoty shodují, u těžkých kovů i polycyklických aromatických látek se obě hodnoty navzájem o něco liší.

(34)

26 Obrázek 11 - graf časové závislosti pozorovaných/předpověděných hodnot PM10

-Příspěvky k profilům (anglicky Profile Contribs) – tyto grafy zobrazují odhadnuté faktory; pro každý faktor jsou 2 grafy: v jednom je zobrazen profil faktoru v druhém příspěvky k faktoru v závislosti na čase.

Obrázek 12 - profil 1. faktoru

Faktor 1 je dominantním zdrojem tuhých znečišťujících částic PM10 a PM2,5 a to 74,7% a 73,7%.

(35)

27 Obrázek 13 - příspěvek k 1. faktoru v závislosti na čase

Nejvýrazněji zastoupenými látkami v profilu faktoru 2 jsou arsen – 71,6%, nikl – 34,8% a kadmium – 33,6%. Faktor 2 se chová výrazně sezónně, během letních měsíců jsou jeho příspěvky minimální, naopak vysoké jsou během topné sezóny.

Obrázek 15 - příspěvek k 2. faktoru v závislosti na čase

(36)

28 Obrázek 16 - profil 3. faktoru

K profilu faktoru 3 přispívají nejvýznamněji polycyklické aromatické uhlovodíky.

Stejně jako faktor 2, se tento faktor 3 chová sezónně, jeho příspěvky jsou během topné sezóny daleko vyšší než v letním období.

Obrázek 17 - příspěvek k 3. faktoru v závislosti na čase

Ve faktoru 4 dominují kovy mangan - 81%, olovo – 75,8% a chrom – 73,3%.

(37)

29 Obrázek 19 - příspěvek k 4. faktoru v závislosti na čase

-Otisky faktorů (anglicky Factor Fingerprints). Sloupcový graf, který zobrazuje hodnoty koncentrace, v procentech, každé látky v závislosti na typu faktoru, viz obrázek č. 20

Obrázek 20 - zobrazení závislosti koncentrací látek na faktorech

-G graf (anglicky G-Space Plot). Zobrazuje rozptyl jednoho faktoru vzhledem k druhému a umožňuje rozpoznat, zda řešení pokrylo celý prostor výsledku, jak je zobrazeno na obrázku č. 21. Z grafu je patrné, že model naplňuje teoretický předpoklad a faktory jsou mezi sebou nekorelované.

(38)

30 Obrázek 21 - rozptyl 1. faktoru vzhledem k 2.

-Příspěvek faktoru (anglicky Factor Contribution). Koláčový graf, který znázorňuje příspěvek jednotlivých faktorů k jedné vybrané látce, viz obrázek č. 22.

Obrázek 22 - příspěvek jednotlivých faktorů k PM10

-Diagnostika (anglicky Diagnostics) – zobrazuje vypočtené a pomocné hodnoty analýzy v textové formě.

(39)

31

4.4 Diskuze výsledků

Výsledky ukazují velice přesné předpovědi modelu, vysoké koeficienty determinovanosti pro PMx a PAH. U kovů jsou hodnoty nižší kvůli sběru, kdy se průměruje 14 dní dlouhý sběr. Metodou hlavních komponent byly určeny 4 faktory. První faktor je dominantním zdrojem tuhých znečišťujících látek PM2,5 a PM10 s nízkým obsahem kovů a PAH, to indikuje znečištění způsobené dopravou. Tento faktor je trvalým zdrojem znečištění a nezávisí na ročním období. Zatímco faktor 2 přispívá k PMx jen nepatrně a má sezónní charakter, jeho příspěvky jsou nejmenší v létě a největší v zimním období. Tento faktor je dominantním zdrojem arsenu a indikuje znečištění pravděpodobně z uhelné teplárny, nejde rozlišit, jestli se jedná o místní zdroj nebo dálkový přenos. Faktor 3 je zdrojem polycyklických aromatických uhlovodíků a jeho největší příspěvky jsou přes topnou sezónu. Tedy zdrojem tohoto znečištění jsou lokální topeniště. Čtvrtý faktor je zdrojem kovů a také z částí přispívá k PM10. Jedná se pravděpodobně o zvířený prach větrem nebo dopravou. Vliv faktoru 1 a 3, jedná se tedy o znečištění z dopravy a lokálních topenišť, vychází v souladu s rozptylovou studií, kde doprava tvoří přibližně 70% PMx a lokální topeniště přibližně 90% B(a)p. V některých případech nemůže být zdroj určen zcela přesně, pro snadnější identifikaci zdrojů by se hodila měření NO2 a SO2.

(40)

32

5 Závěr

V této bakalářské práci jsem pomocí matematické analýzy zpracovala data z imisního monitoringu a úspěšně určila zdroje znečištění ovzduší, což bylo i mým cílem.

Pomocí metody hlavních komponent se mi podařilo určit čtyři faktory. Výsledky z faktorové analýzy se dobře shodují s rozptylovou studií. První faktor je dominantním zdrojem tuhých znečišťujících látek PM2,5 a PM10 jedná se tedy o znečištění způsobené dopravou. Faktor 2 je dominantním zdrojem arsenu a indikuje znečištění pravděpodobně z uhelné teplárny, nejde rozlišit, jestli se jedná o místní zdroj nebo dálkový přenos. Faktor 3 je zdrojem polycyklických aromatických uhlovodíků, zdrojem tohoto znečištění jsou lokální topeniště. Čtvrtý faktor je zdrojem kovů a také z částí přispívá k PM10. Jedná se pravděpodobně o zvířený prach větrem nebo dopravou.

(41)

33

Literatura

[1]Imisní monitoring. In: Ministerstvo životního prostředí [online]. [cit. 2017-11- 05]. Dostupné z: https://www.mzp.cz/cz/imisni_monitoring

[2]Základní informace. In: Český Hydrometeorologický Ústav [online]. [cit. 2017- 11-05]. Dostupné z: http://portal.chmi.cz/o-nas/organizacni-struktura/usek-ochrany-cistoty- ovzdusi/imisni-monitoring/zakladni-informace

[3]OBROUČKA, Karel. Látky znečišťující ovzduší. Ostrava, 2001. ISBN 80-248- 0011-x.

[4]KOSTELENCOVÁ, Irena. Jak nám škodí prach v ovzduší [online]. In: . [cit.

2017-11-05]. Dostupné z: http://www.tesin.cz/mesto-cesky-tesin/informace-o-zivotnim- prostredi/ovzdusi/prachove-castice/

[5]OBROUČKA, Karel. Látky znečišťující ovzduší. Ostrava, 2001. ISBN 80-248- 0011-x.

[6]Hebák, P., Hustopecký, J., Pecáková, I., Průša, M., Řezanková, H., Svobodová, A., Vlach, P. Vícerozměrné statistické metody (3). 2. přepracované vydání, Informatorium, Praha, ISBN 9788073330019 (2007)

[7]VELÍŠEK, J. Receptorové modelování. Ochrana ovzduší : Příloha časopisu ochrana ovzduší. 2007, 1, s. 8-11. Dostupný také z WWW:

<www.teso.cz/Data/files/ochrana%20ovzdusi%201_2007.pdf>.

[8]ALLEMAN, Laurent Y., et al. PM10 metal concentrations and source identification using positive matrix factorization and wind sectoring in a French industrial zone. Atmospheric Research. 2010, 96, s. 612-625.

[9] ČESKÁ REPUBLIKA. Zákon o ochraně ovzduší: Znečištění a znečišťování. In:

. Parlament České republiky, 2012, ročník 2012, číslo 201. Dostupné také z:

https://www.mzp.cz/www/platnalegislativa.nsf/9F4906381B38F7F6C1257A94002EC4A0/

%24file/Z%20201_2012.pdf

(42)

34 [10]Quantitative Assessment of PM2.5 Sources and Their Seasonal Variation in Krakow. WATER AIR AND SOIL POLLUTION. 2017, (290), 228. DOI:

10.1007/s11270-017-3483-5. ISSN 0049-6979.

[11]DVORSKÁ, Alice, Klára KOMPRDOVÁ a Gerhard LAMMEL. Polycyclic aromatic hydrocarbons in background air in central Europe - Seasonal levels and limitations for source apportionment. ATMOSPHERIC ENVIRONMENT. 2012, (290), 147-154. DOI: 10.1016/j.atmosenv.2011.10.007. ISSN 1352-2310.

[12]VOSSLER, Teri, Libor ČERNIKOVSKÝ a Jiří NOVÁK. Source apportionment with uncertainty estimates of fine particulate matter in Ostrava, Czech Republic using Positive Matrix Factorization. ATMOSPHERIC POLLUTION RESEARCH. 2016, (290), 503-512. DOI: 10.1016/j.apr.2015.12.004. ISSN 1309-1042.

[13]POKORNÁ, P., J. HOVORKA a J KROUŽEK. Particulate matter source apportionment in a village situated in industrial region of Central Europe. JOURNAL OF THE AIR & WASTE MANAGEMENT ASSOCIATION. 2013, (290), 1412-1421. DOI:

10.1080/10962247.2013.825215. ISSN 1096-2247.

[14]Hebák, P. a kol.: Vícerozměrné statistické metody [3]. 2. doplň. vyd. Praha:

Nakladatelství Informatorium, 2007.

[15]Umetrics.com: History. [online], dostupné z:

http://www.umetrics.com/default.aspx?id=7943, [cit. 2012-09-14].

[16]Krátký, M., Skopal, T., Snášel, V.: Efektivní vyhledávání v kolekcích obrázků tváří. VŠB - Technická univerzita Ostrava, Katedra informatiky. [online], dostupné z:

http://www.cs.vsb.cz/kratky/courses/2003-04/dis/reference/effface.pdf, [cit. 2012-11- 07].

[17]Fritsch, L.: Metoda PCA a její implementace v jazyce C++. ČVUT v Praze,

Fakulta elektrotechnická. [online], dostupné z:

http://dsp.vscht.cz/konference_matlab/MATLAB07/prispevky/fritsch_l/fritsch_l.pdf, [cit.

2012-11-07].

[18] Zákon o ochraně ovzduší. Český hydrometeorologický ústav [online]. 2012 [cit. 2017-11-24]. Dostupné z: http://portal.chmi.cz/files/portal/docs/uoco/isko/info/201- 2012_ZakonOOchraneOvzdusi.pdf

(43)

35 [19]Znečištění ovzduší. European Environment Agency [online]. [cit. 2017-11-25].

Dostupné z: https://www.eea.europa.eu/cs/themes/air/intro

[20] HOLOUBEK, Ivan. Polycyklické aromatické uhlovodíky (PAHs) v prostředí.

Praha: Praha : Český ekologický ústav : Ministerstvo životního prostředí ČR, odbor ekologických rizik a monitoringu, 1996. ISBN 80-85087-44-8.

[21] KONEČNÁ, Kateřina a Jan KOLÁČEK. Jak pracovat s jazykem R [online].

[cit. 2018-03-29].Dostupné z:

https://www.math.muni.cz/~kolacek/vyuka/vypsyst/navod_R.pdf

[22] MILITKÝ, Jiří. METODA HLAVNÍCH KOMPONENT A EXPLORATORNÍ ANALÝZA VÍCEROZMĚRNÝCH DAT[online]. [cit. 2018-03-29]. Dostupné z:

https://meloun.upce.cz/docs/publication/127a.pdf

[23]http://portal.chmi.cz/files/portal/docs/uoco/isko/grafroc/groc/gr98cz/kap_0236/

kap_0236.htm

(44)

36

Seznam obrázků:

Obrázek 1- velikost tuhé částice PM2,5-10; zdroj:www.epa.gov ... 4

Obrázek 2 - průnik tuhých částic do lidského organismu; zdroj: www.ovzdusi-brno-jm.cz ... 5

Obrázek 3 mapa umístění stanice Olomouc-Šmeralova; zdroj:portal.chmi.cz ... 9

Obrázek 4-mapa umístění stanice Olomouc-Šmeralova; zdroj:portal.chmi.cz ... 9

Obrázek 5 - Mapa měst, ve kterých byla využita metoda PMF. [zdroj: příloha č.1] ... 15

Obrázek 6 - Koncentrace, nepřesnost Olova; základní statistiky ... 21

Obrázek 7 - vzájemná korelace PM2,5 a PM10 ... 22

Obrázek 8 - závislost koncentrace PM10 na čase ... 23

Obrázek 9 - histogram residuí pro Arsen ... 24

Obrázek 10 - graf rozptylu pozorovaných a předpověděných hodnot PM10 ... 24

Obrázek 11 - graf časové závislosti pozorovaných/předpověděných hodnot PM10 ... 26

Obrázek 12 - profil 1. faktoru ... 26

Obrázek 13 - příspěvek k 1. faktoru v závislosti na čase ... 27

Obrázek 20 - zobrazení závislosti koncentrací látek na faktorech ... 29

(45)

37 Obrázek 21 - rozptyl 1. faktoru vzhledem k 2. ... 30

Obrázek 22 - příspěvek jednotlivých faktorů k PM10 ... 30

(46)

38

Seznam tabulek:

Tabulka 1 Imisní limity vyhlášené pro ochranu zdraví lidí a maximální počet jejich překročení [9].. 7

Tabulka 2 Imisní limity pro celkový obsah znečišťující látky v částicích PM10 vyhlášené pro ochranu zdraví lidí [9]... 7

Tabulka 3 - Přehled měřících programů na AIM Olomouc -Šmeralova ... 10

Tabulka 4-zjištěné markery ... 14

Tabulka 5 - přesnost měření a mez detekce ... 16

Tabulka 6 - základní statistiky naměřených dat ... 17

Tabulka 7 - výsledky analýzy hlavních komponent ... 19

Tabulka 8 - tabulka kvality výsledků... 25

(47)

39

Seznam grafů:

Graf 1 - výsledky analýzy hlavních komponent ... 18

(48)

40

Příloha 1:

Quantitative Assessment of PM2.5 Sources... (PDF Download Available). ResearchGate

of_PM25_Sources_and_Their_Seasonal_Variation_in_Krakow

Pollution Characteristics and Source Analysis of Polycyclic.... ResearchGate | Share and discover research [online]. Copyright © ResearchGate [cit. 26.04.2018]. Dostupné z: https://www.researchgate.net/publication/318249997_Pollution_Characteristics_

and_Source_Analysis_of_Polycyclic_Aromatic_Hydrocarbons_in_A

z: https://www.researchgate.net/publication/251667071_Polycyclic_aromatic_hydro carbons_in_background_air_in_central_Europe_-

_Seasonal_levels_and_limitations_for_source_apportionment

Source Identification of Polycyclic... (PDF Download Available). ResearchGate | Share and discover research [online]. Copyright © Author [cit. 26.04.2018]. Dostupné z: https://www.researchgate.net/publication/234454925_Source_Identification_of_P olycyclic_Aromatic_Hydrocarbons_by_Diagnostic_Ratios_and_Pos

z: https://www.researchgate.net/publication/290026135_Source_apportionment_wi th_uncertainty_estimates_of_fine_particulate_matter_in_Ostrava_

z: https://www.researchgate.net/publication/317832650_Trends_in_black_carbon_a nd_size-

resolved_particle_number_concentrations_and_vehicle_emission_factors_under_real- world_conditions

Argon offline-AMS source apportionment of... (PDF Download

(49)

41 z: https://www.researchgate.net/publication/312049027_Argon_offline-

AMS_source_apportionment_of_organic_aerosol_over_yearly_cycles_for_an_urban_rur al_and_marine_site_in_northern_Europe

Long-term chemical analysis and organic... (PDF Download Available). ResearchGate | Share and discover research [online]. Copyright © Author [cit. 26.04.2018]. Dostupné z: https://www.researchgate.net/publication/320939217_Long-

term_chemical_analysis_and_organic_aerosol_source_apportionment_at_nine_sites_in_

central_Europe_Source_identification_and_uncertainty_a

Sources and geographic origin of particulate matter in urban areas of the Danube macro-region: The cases of Zagreb (Croatia), Budapest (Hungary) and Sofia (Bulgaria) - ScienceDirect. ScienceDirect.com | Science, health and medical journals, full text articles and books. [online]. Copyright © 2017 The Authors. Published by Elsevier B.V.

[cit. 26.04.2018]. Dostupné

z: https://www.sciencedirect.com/science/article/pii/S0048969717331492

Quantification of Saharan and local dust impact in an arid Mediterranean area by the positive matrix factorization (PMF) technique - ScienceDirect. ScienceDirect.com | Science, health and medical journals, full text articles and books. [online]. Copyright © 2008 Elsevier Ltd. All rights reserved. [cit. 26.04.2018]. Dostupné

z: https://www.sciencedirect.com/science/article/pii/S1352231008008236