Nama NIM : Yeni Saro Manalu : 25320006 1. Tujuan dari pemodelan kualitas udara (MKU) adalah sebagi berikut: a. Memprediksi konsentrasi polutan di ambien sekitar sumber b. Identifikasi kontribusi sumber pada problem kualitas udara c. Asessmen pada impact dan membuat rencana pengendalian strategis atau membuat regulasi baru d. Memperkirakan konsentrasi polutan dari sumber setelah diterapkan program/regulasi baru seperti pembuatan AMDAL, Kajian teknis, penyusunan KLHS. e. Proses pembuatan dan simulasi skenario kebijakan sebelum diimplementasikan. 2. Kegunaan dan syarat suatu MKU adalah Kegunaaan: a. Kepentingan regulasi lingkungan b. Mengidentifikasi kontribusi sumber emisi ketika ada masalah pencemaran udara c. Membantu dalam mendesain alat pengendali pencemaran udara d. Menghitung konsentrasi ketika tidak ada stasiun pemantauan e. Menghitung dampak kesehatan dari pencemaran udara f. Memprediksi konsentrasi pencemaran udara ketika sebuah regulasi baru ditetapkan g. Membuat skenario dan simulasi kebijakan sebelum kebijakan itu dibuat h. Memperkirakan konsentrasi untuk skenario terburuk i. Analisis Awal / Screening: Mengidentifikasi masalah yang paling kritis atau sumber pencemar udara yang harus diselesaikan terlebih dahulu dan Menentukan sumber yang tidak menimbulkan resiko kesehatan berdasarkan skenario terburuk j. Risiko kesehatan: Membandingkan hasil konsentrasi terhadap ambang batas kesehatan kronis dan akut untuk menentukan apakah ada risiko kesehatan yang terjadi dan Kalikan konsentrasi jangka panjang dengan satuan risiko kanker untuk memperkirakan risiko kanker Syarat suatu MKU adalah a. Perangkat lunak b. Metode untuk menghitung konsentrasi gas polutan di udara : Metode Gaussian Plume/ Metode kotak (box model)/ Narrow Plume Hypothesis/Model transport gradien (Gradien transport model) c. Data Kondisi meteorology d. Kompleksitas topografi di daerah tersebut e. Data Sumber-sumber yang tersedia f. Kompetensi teknik ahli pemodelan g. Data hasil inventarisasi emisi, data meteorologi, dan / atau data kualitas udara Nama NIM h. i. j. : Yeni Saro Manalu : 25320006 Data karakteristik sumber Data topografi wilayah yang akan dimodelkan Informasi lain : seperti turbulensi: Turbulensi termal, Apakah area sekitar sumber merupakan perkotaan / diberi perkerasan (tidak stabil) atau pedesaan (stabil)? Turbulensi mekanis dari benda tinggi (gunung, gedung). Apakah ada bangunan di sekitar titik sumber emisi yang dapat mengubah penyebaran? Pengendapan/deposisi. Nama NIM : Yeni Saro Manalu : 25320006 3. 3 klasifikasi utama MKU berikut masing-masing contoh-contohnya serta: asumsi yang keberterapannya Klasifikasi No utama Contoh Asumsi yang digunakan Keterbatasannya . MKU 1 Empirical AQM mengasumsikan bahwa Model hanya cocok untuk Rollback konsentrasi pencemar udara polutan primer atau polutan Model dalam suatu aliran udara adalah sekunder dengan mekanisme berbanding lurus dengan total produksi kimia yang relatif tingkat emisi polutan digudang sederhana. Karena mundur udara. Dengan kata lain, jika Po model hanya menghitung adalah konsentrasi polutan saat konsentrasi tunggal untuk ini di polutan di daerah aliran udara, sebuah airshed, Eo adalah laju mereka tidak dapat emisi saat ini, dan El adalah mensimulasikan atau hipotesis menjelaskan variasi spasial dan tingkat emisi setelah pengenalan temporal dalam konsentrasi kontrol emisi, polutan baru polutan. Akibatnya, model ini konsentrasi, Pl, diprediksi oleh paling berguna untuk bahan model rollback adalah pencemar yang cenderung Pl = P tercampur secara merata dalam latar belakang + Po (E l /Eo), (3- suatu aliran udara. 3) dimana P, latar belakang adalah apa yang disebut konsentrasi latar belakang polutan yang akan ditemukan tanpa adanya emisi di dalam airshed. Dari Persamaan 3-3, seseorang digunakan, keterbatasannya dan Keberterapanya Digunakan ekstensif di AQM sebelum pertengahan 1970-an dan sejak itu sebagian besar telah digantikan oleh model yang lebih canggih. Namun mereka terus menjadi digunakan dalam beberapa aplikasi, terutama dalam desain strategi perkotaan untuk memenuhi NAAQS untuk karbon monoksida (CO) (NRC 2002b). Nama NIM 2 Receptor Models Similar to rollbac k models : Yeni Saro Manalu : 25320006 dapat menyelesaikan Ea, laju emisi yang diperlukan untuk pencapaian P s, standar atau sasaran kualitas udara pencemar: E a = Eo (Ps – Pbackground)/Po. (3-4) Meskipun mudah digunakan, model rollback memiliki keterbatasan yang berbeda. Karena asumsi linearitas antara emisi dan konsentrasi. Model reseptor mirip dengan model rollback dalam ketergantungannya pada konsentrasi yang diamati dan pengabaian mereka terhadap kimia dan meteorology proses. Namun, alih-alih terbatas pada asumsi linier sederhana hubungan antara konsentrasi polutan dan tingkat emisi, model reseptor dapat mengadopsi teknik statistik yang lebih canggih untuk diturunkan deskripsi hubungan yang lebih kompleks (dan mungkin lebih akurat). Mereka telah digunakan paling berhasil dan paling luas Perkiraan dibuat dengan menghubungkan komposisi pelacak organik dan unsur terukur dari PM ambien dengan komposisi unsur yang diketahui dari sumber: PM di daerah. Ulasan metode ini dapat ditemukan di Brook et al. (2003) dan referensi di dalamnya. Meskipun model reseptor tidak memerlukan inventarisasi emisi, beberapa mereka (seperti model keseimbangan massa kimia) memerlukan profil sumber, Telah digunakan paling berhasil dan paling luas dalam memperkirakankontribusi relatif dari berbagai sumber emisi terhadap ambien terukur komposisi partikulat udara (PM) di lokasi pemantauan. Nama NIM : Yeni Saro Manalu : 25320006 dalam memperkirakan kontribusi relatif dari berbagai sumber emisi terhadap ambien terukur komposisi partikulat udara (PM) di lokasi pemantauan. Perkiraan dibuat dengan menghubungkan komposisi pelacak organik dan unsur terukur dari PM ambien dengan komposisi unsur yang diketahui dari sumber: PM di daerah. Ulasan metode ini dapat ditemukan di Brook et al. (2003) dan referensi di dalamnya. yang menentukan komposisi unsur atau organik rinci dari semua sumber. Di dalam Sebaliknya, model analisis faktor statistik tidak memerlukan data komposisi sumber tetapi menggunakan variasi dan kovariasi di antara spesies dari waktu ke waktu untuk mengidentifikasi sumber. Jika profil sumber bervariasi di antara sumbersumber yang sama kategori, ruang, atau waktu, proyek pengukuran besar diperlukan untuk mendapatkan profil yang cukup mencirikan semua klasifikasi sumber yang akan digunakan dalam model. Model-model ini memiliki sejarah panjang aplikasi dan telah secara umum memberikan informasi berharga untuk desain primer strategi pengendalian PM. Ekstensi terbaru dari model ini memungkinkan identifikasi sumber PM organik primer serta sumber anorganik Nama NIM 3 EmissionsBased Air Quality Models ISC3 and CalPUF F : Yeni Saro Manalu : 25320006 Model menggunakan representasi matematis dari yang relevan proses fisik dan kimia dan kemudian memecahkan persamaan yang mengatur (biasanya secara numerik) dalam waktu dan ruang untuk menentukan hubungan antara emisi polutan dan konsentrasi polutan. Karena model ini memerlukan input tingkat emisi polutan, model ini kadang-kadang disebut sebagai model berbasis emisi. Model menggunakan representasi matematis dari yang relevan proses fisik dan kimia dan kemudian memecahkan persamaan yang mengatur (biasanya secara numerik) dalam waktu dan ruang untuk menentukan hubungan antara emisi polutan dan konsentrasi polutan. Karena model ini partikel. Kelemahan terbesar mereka adalah perkiraan kontribusi PM sekunder. Sampai saat ini, kombinasi model reseptor telah menjadi pendekatan yang paling sukses untuk area non-pencapaian PM. Mereka juga membutuhkan konsentrasi awal bidang semua polutan di seluruh domain, ditambah konsentrasi sementara yang diselesaikan pada batas domain. Mengumpulkan dan memproses semua ini informasi input biasanya membutuhkan banyak pengukuran dan tambahan model (meteorologi, emisi, dan model resolusi kasar untuk kondisi batas) dan biasanya merupakan bagian yang paling memakan waktu dan sumber daya dari latihan pemodelan. Relatif baru tapi penting komponen dari beberapa model 3D adalah dimasukkannya algoritma ke internal menilai Model menggunakan representasi matematis dari yang relevan proses fisik dan kimia dan kemudian memecahkan persamaan yang mengatur (biasanya secara numerik) dalam ruang dan waktu untuk menentukan hubungan antara emisi polutan dan konsentrasi polutan. Karena model ini memerlukan input tingkat emisi polutan, model ini kadang-kadang disebut sebagai model berbasis emisi. Salah satu keuntungan utama dari model ini untuk AQM adalah kemampuan prediktif mereka. Karena mereka menghitung polutan konsentrasi sebagai fungsi Nama NIM : Yeni Saro Manalu : 25320006 memerlukan input tingkat emisi ketidakpastian statistik dalam dari emisi polutan, mereka polutan, model ini kadang-kadang output model. dapat dijalankan dalam mode disebut sebagai model berbasis prognostik untuk emisi. Salah satu keuntungan memprediksi respons kualitas utama dari model ini untuk AQM udara terhadap hipotetis apa adalah kemampuan prediktif pun perubahan emisi polutan. mereka. Karena mereka menghitung polutan konsentrasi sebagai fungsi dari emisi polutan, mereka dapat dijalankan dalam a mode prognostik untuk memprediksi respons kualitas udara terhadap hipotetis apa pun perubahan emisi polutan. Model kualitas udara berbasis emisi dapat bervariasi dalam kompleksitas. Yang paling sederhana adalah model kotak, yang mensimulasikan evolusi konsentrasi polutan dalam parsel udara yang tercampur dengan baik. Model dispersi, seperti: mensimulasikan segumpal udara seperti itu advects dan bercampur dengan udara ambien. Yang paling kompleks adalah model transportasi kimia (CTM) tiga dimensi (3D) yang canggih, yang upaya untuk Nama NIM : Yeni Saro Manalu : 25320006 menciptakan kembali distribusi spesies kimia yang dapat diamati pada waktunya dan ruang. Mereka disebut model 3D (juga, model grid) karena mereka menggunakan grid tiga dimensi untuk mewakili ruang. Dalam transportasi kimia model, gas dan partikel diangkut secara horizontal dan vertikal oleh angin dan turbulensi antara sel grid yang berdekatan dari model, dan reaksi kimia antara gas dan partikel terjadi pada tingkat yang diatur oleh konsentrasi reaktan dalam sel grid individu. Model-model ini umumnya membutuhkan: sejumlah besar data input untuk dioperasikan (Russell dan Dennis 2000). Di dalam Selain emisi semua polutan dalam domain model, ini model memerlukan masukan informasi temporal (biasanya per jam) dan diselesaikan secara spasial pada kondisi meteorologi yang relevan (kecepatan angina dan arah, suhu, kelembaban relatif, kedalaman pencampuran, dan insolasi matahari) (Pielke dan Uliasz 1998). Nama NIM : Yeni Saro Manalu : 25320006 4. Syarat kelebihan dan keterbatasan dari MKU berbasis data emisi adalah Kelebihan : memudahkan membaca sebaran polutan dan dispersi polutan. Keterbatasan :Tingkat keakuratan data seperti hasil prediksi konsentrasi yang unitnya adalam ppm (parts per million) dengan 2 desimal dibelakang koma pada laporan hasil model. Kekurangan ini semakin berdampak ketika hasil prediksi konsentrasi ini dikonversikan dari ppm ke satuan µg/m3 (satuan data validasi) 5. Yang membuat model dapat berhasil/tidak berhasil mencapai tujuan adalah Validasi model nilai eror dibawah 10% dan ada data akibat exposure dari polutan tersebut berupa data kesehatan atau kondisi vegetasi/lingkungannya 6. Mengatasi ketidak pastian dalam MKU adalah untuk mengatasi ketidak pastian dalam pemodelan kualitas udara adalah terkait data keadaan atmosfer seperti suhu, angina dan curah hujan. Data ini berguna untuk mendudukung pemodelan kualitas udara di ambien. Jika terus berubah maka faktor-faktor ini pun harus terus diupdate. 7. Penjelasan mengenai Multi Pollutant model (MPM) adalah sering digunakan untuk membedakan peran beberapa polutan dalam studi epidemiologi polusi udara ambien. Namun, dengan adanya tingkat kesalahan pengukuran yang berbeda di seluruh polutan yang dipertimbangkan, mereka dapat menjadi bias dan menyesatkan seperti model polutan tunggal. Interpretasi yang tepat tergantung pada hubungan antara pengukuran polutan dan hasil yang dipertanyakan. Dalam situasi di mana dua atau lebih variabel pencemar dapat bertindak sebagai pengganti untuk agen etiologi, model multipolutan dapat membantu mengidentifikasi pengganti terbaik, tetapi perkiraan risiko dapat dipengaruhi oleh dimasukkannya variabel kedua yang bukan merupakan risiko independen faktor untuk hasil yang bersangkutan. MPM diperlukan karena kondisi udara ambien teriri dari polutan primer dan sekunder yang kdang saling bereaksi satu sama lain lebih dari 1 polutan. Semakin banyak polutannya maka semakin menggambarkan kondisi sesuangguhnya udara ambien diwilayah tersebut.