Ero sivun ”Pori” versioiden välillä

Opasnet Suomista
Siirry navigaatioon Siirry hakuun
(→‎Laskenta: oliot siirretty sivulle Pienhiukkasvaikutukset)
Rivi 90: Rivi 90:
par(mfrow=c(6,1), mar=c(3,1,0,1), cex=1.5) # Graphics settings
par(mfrow=c(6,1), mar=c(3,1,0,1), cex=1.5) # Graphics settings


 
objects.latest("Op_fi3719", "alustus") # Päästöjen, leviämisen, altistumisen ja terveysvaikutuksen oliot haetaan.
# Arvioinnin tulos
 
Tulos <- new("ovariable", name = "Tulos",
dependencies = data.frame(Name = c(
"Terveysvaikutukset",
"Altistuminen",
"Pitoisuus",
"tieliikennepäästöt",
"suorite"
), Ident = c(
"", "", "", "", "Op_fi3192/alustus"
)),
formula = function(dependencies, ...) {
 
ComputeDependencies(dependencies, ...)
 
# Leikataan turhat pois
 
temp <- tieliikennepäästöt@output[tieliikennepäästöt@output$Saaste == "PM", ] # Valitaan vain PM-rivit.
 
temp <- as.data.frame(as.table(tapply(
temp$tieliikennepäästötResult,
temp[c("LA", "LO", "Vaihtoehto", "Saaste")], # HUOM! Probabilistiset päästöt eivät toimi koska Iter summataan.
sum
)))
 
temp <- temp[!is.na(temp$Freq), ] # Pudotetaan tyhjät rivit pois.
oprint(temp)
# Käydään päästö läpi rivi kerrallaan ja lasketaan pitoisuus, altistuminen ja terveysvaikutus.
 
out <- data.frame() # Tähän taulukkoon kerätään data
 
for(i in 1:nrow(temp)) {
 
Päästö <- temp$Freq[i]
LA <- as.numeric(as.character(temp$LA[i]))
LO <- as.numeric(as.character(temp$LO[i]))
Altistuminen@output <- data.frame() # Nollataan, jotta malli laskee ne uusiksi uudelle päästölle.
Pitoisuus@output <- data.frame()
 
# EvalOutput käyttää tilapäisiä, rivikohtaisia tietoja. Kunkin rivin tulos lisätään lopputulokseen.
 
out <- rbind(
out,
merge(
temp[i, ],
EvalOutput(Terveysvaikutukset, N = N)@output, by = NULL
)
)
}
return(out)
}
)
 
## Terveysvaikutukset
 
Terveysvaikutukset <- new(
"ovariable",
name = "Terveysvaikutukset",
dependencies = data.frame(
Name = c("Altistuminen") # , "erf", "bg.mort")
),
formula = function(dependencies, ...) {
ComputeDependencies(dependencies, ...)
bg.mort <- 45182 / 5203826 # same values as used in PILTTI
 
erf <- 0.0097 # J. T. Tuomisto, A. Wilson, et al. Uncertainty in mortality response to airborne fine
# particulate matter... 2008. unit: m^3 /ug
 
out <- Altistuminen * erf * bg.mort
return(out)
}
)
 
## Altistuminen
 
Altistuminen <- new(
"ovariable",
name = "Altistuminen",
dependencies = data.frame(
Name = c("Pitoisuus", "LO", "LA")
),
formula = function(dependencies, ...) {
ComputeDependencies(dependencies, ...)
 
out <- GIS.Exposure(Pitoisuus, LO, LA, ...)
 
return(out)
}
)
 
## Pitoisuus
 
Pitoisuus <- new(
"ovariable",
name = "Pitoisuus",
dependencies = data.frame(
Name = c("Päästö", "LO", "LA")
),
formula =  function(dependencies, ...) {
ComputeDependencies(dependencies, ...)
 
temp <- GIS.Concentration.matrix(Päästö, LO, LA, ...)
 
return(temp)
}
)


Päästö <- 1
Päästö <- 1
LA <- 61.477491
LA <- 61.477491
LO <- 21.787756
LO <- 21.787756
################# tieliikennepäästöt: funktio tieliikennepäästön laskemiseen
## suorite = ajoneuvojen kulkemat ajokilometrit. Junien osalta ilmoitetaan tonnikilometrit.
tieliikennepäästöt <- new("ovariable",
name = "tieliikennepäästöt",
dependencies = data.frame(Name = c("suorite")),
formula = function(dependencies, ...) {
ComputeDependencies(dependencies, ...)
päästökerroin <- new("ovariable", name = "päästökerroin", ddata = "Op_fi3192") # Haetaan päästökerrointiedot
päästökerroin <- EvalOutput(päästökerroin, N = N, ...)
out <- suorite * päästökerroin # Varsinainen laskentakaava
return(out)
}
)
# suorite
suorite <- new("ovariable",
name = "suorite",
data = {temp <- tidy(opbase.data("Op_fi3357"))
# Luodaan tilapäiset ovariablet, jotta mahdollinen probabilistisuus menee oikein.
lm <- new("ovariable", name = "lm", data = {
temp2 <- temp[colnames(temp) != "Pituus"]
colnames(temp2)[colnames(temp2) == "Liikennemäärä"] <- "Result"
temp2
})
pi <- new("ovariable", name = "pi", data = {
temp3 <- temp[colnames(temp) != "Liikennemäärä"]
colnames(temp3)[colnames(temp3) == "Pituus"] <- "Result"
temp3
})
data <- EvalOutput(lm, N = N) * EvalOutput(pi, N = N) * 365 * 1E-6 # Muutetaan d -> a ja km -> Gm
data@output[!colnames(data@output) %in% c("lmSource", "lmResult", "piSource", "piResult", "Description", "Unit")]
}
)


Tulos <- EvalOutput(Tulos)
Tulos <- EvalOutput(Tulos)
Rivi 264: Rivi 111:
oprint(Tulos)
oprint(Tulos)
}
}
#if(N > 10) {ggplot(temp, aes(x = Freq, fill = Vaihtoehto)) + geom_density(alpha = 0.2)}


cat("Pienhiukkasten aiheuttamia ylimääräisiä kuolemantapauksia vuodessa.\n")
cat("Pienhiukkasten aiheuttamia ylimääräisiä kuolemantapauksia vuodessa.\n")


ggplot(Tulos@output, aes(x = TerveysvaikutuksetResult, fill = Vaihtoehto)) +
geom_density(alpha = 0.2) +
theme_grey(base_size = 24) +
labs(axis.text.x = "Pienhiukkasten aiheuttamia kuolemia vuodessa")


ggplot(Tulos@output, aes(x = TerveysvaikutuksetResult, fill = Vaihtoehto)) + geom_density()
oprint(Tulos@output[Tulos@output$Iter == 1, ], digits = 4)
 
oprint(Tulos@output[Tulos@output$Iter == 1, ])
 
colorstrip <- function(colors, labels) {
count <- length(colors)
m <- matrix(1:count, count, 1)
image(m, col=colors, ylab="", axes=FALSE)
axis(1,approx(c(0, 1), n=length(labels))$y, labels)
}
 
# Draw a concentration map.
 
cat("Esimerkki yhden päästöpisteen aiheuttamasta pitoisuuskentästä.\n")
 
temp <- Pitoisuus # EvalOutput(Pitoisuus, N = 1)
 
temp2 <- gsub("\\(", "", temp@output$LObin)
temp2 <- gsub("\\]", "", temp2)
temp2 <- strsplit(temp2, ",")
 
temp3 <- c()
 
for(i in 1:length(temp2)) {
a <- as.numeric(temp2[[i]][1])
b <- as.numeric(temp2[[i]][2])
temp3[i] <- ((a + b) / 2)
}
 
temp@output$LO <- temp3
 
temp2 <- gsub("\\(", "", temp@output$LAbin)
temp2 <- gsub("\\]", "", temp2)
 
temp2 <- strsplit(temp2, ",")
 
temp3 <- c()
 
for(i in 1:length(temp2)) {
a <- as.numeric(temp2[[i]][1])
b <- as.numeric(temp2[[i]][2])
temp3[i] <- ((a + b) / 2)
}
 
temp@output$LA <- temp3
 
#print(temp)
 
data <- data.frame(LO=temp@output$LO, LA=temp@output$LA, concentration=temp@output$PitoisuusResult)
 
data$truncated_concentration <- ifelse(data$concentration > 1, 1, data$concentration)
data$log_concentration <- (log10(data$concentration) - log10(0.001)) / 4 # Miksi jaetaan neljällä?
print(max(data$log_concentration))
 
# Plot the data
coordinates(data)=c("LO","LA")
proj4string(data)<-("+init=epsg:4326")
epsg4326String <- CRS("+proj=longlat +ellps=WGS84 +datum=WGS84 +no_defs")
shp<-spTransform(data,epsg4326String)
 
#Create blank raster
rast<-raster()
 
#Set raster extent to that of point data
extent(rast)<-extent(shp)
 
#Choose number of columns and rows
ncol(rast) <- 41
nrow(rast) <- 41
 
#cat("<span style='font-size: 1.2em;font-weight:bold;'>PM2.5</span>\n")
 
#Rasterize point data
rast2<-rasterize(shp, rast, shp$log_concentration, fun=mean)
 
steps <- c(0.001,0.003,0.01,0.03,0.1,0.3,1,3,10,30)
steps <- c(steps[steps < max(data$log_concentration)], max(data$log_concentration))
steps
colors <- rev(rainbow(length(steps), start=0, end=0.50))


colorstrip(colors, steps)
objects.latest("Op_fi3718", "initiate") # Pitoisuuskartan piirtämisfunktio


#Plot data
concmap(Pitoisuus)
google.show_raster_on_maps(rast2, col=colors, style="height:500px;")


</rcode>
</rcode>

Versio 17. maaliskuuta 2013 kello 18.11




Kysymys

Miten terveysvaikutusarviointi pitäisi huomioida kaupunkitason päätöksenteossa Porissa? Mitä kehityshankkeita on meneillään?

Vastaus

Perustelut

Riippuvuudet

Tärkeitä henkilöitä Porissa:

  • Päivi Kolehmainen, kaupunginvaltuutettu
  • Timo Aro, kehittämispäällikkö
  • Sirpa Kynäslahti, hyvinvointikoordinaattori

Data

Laskenta

Matkakeskuksen pienhiukkaspäästöt



<googlemap version="0.9" lat="61.4833" lon="21.800051" type="map" zoom="14"> (L) 61.481462, 21.798688, Oy Matkahuolto Ab Itsenäisyydenkatu 44 Pori, (R) 61.477491, 21.787756, Rautatieasema Pori Finland , </googlemap>

Kysymys

Kuinka suuret ovat pienhiukkaspäästöt Porissa matkakeskukseen liittyen, ja mitä terveysvaikutuksia niillä on?

Vastaus

Ylimääräisiä kuolemantapauksia vuodessa
Vaihtoehto Tulos
Matkakeskus keskustassa
Matkakeskus rautatieasemalla

Perustelut

⇤#: Käytetty leviämis- ja altistumalli on tarkkuudeltaan vain yksi kilometri. Kilometriresoluutio on riittämätön. Malli antaa vain karkeita arvioita ja luultavasti vähättelee vaihtoehtojen eroja ja kokonaisvaikutuksia. --Jouni Tuomisto 25. lokakuuta 2012 kello 00.24 (EEST)

⇤#: Totta on, että malli vähättelee muutaman sadan metrin säteellä päästölähteestä tapahtuvaa altistumista. Kuitenkin virheen suunta on tiedossa, ja se vähättelee terveyshaittoja tilanteissa, jotka sisältävät enemmän liikennettä tiheämmin asutuilla alueilla. --Jouni Tuomisto 13. maaliskuuta 2013 kello 04.27 (EET)

Laskenta

HUOM! Tällä hetkellä malli laskee ainoastaan pienhiukkaspäästön leviämisen 10-15 km:n säteellä olevaan väestöön. Mallia päivitetään jatkuvasti.

Iteraatioiden määrä:

Näytä välivaiheet?:

+ Näytä koodi

Ovariablet:

  • Terveysvaikutukset: syötteenä Altistuminen * erf * bg.mort
    • erf: vakio, annetaan koodissa
    • bg.mort: vakio, annetaan koodissa
    • Altistuminen: syötteenä Pitoisuus, LO, LA
      • Käytetään funktiota GIS.Exposure(Pitoisuus, LO, LA, ...)
      • LO ja LA: saadaan muuttujan Pitoisuus sarakkeista LO ja LA.
      • Pitoisuus: syötteenä Päästö, LO, LA.
        • LO ja LA: saadaan muuttujan Päästö sarakkeista LO ja LA.
        • Käytetään funktiota GIS.Concentration.matrix(Päästö, LO, LA, ...)
        • Päästö: syötteenä Tieliikennepäästöt (tässä kohdassa lähinnä yksikköskaalausta).

Data

Ero sivun ”Pori” versioiden välillä(-)
ObsVaihtoehtoAjoneuvoAjoKuormitusasteLALOUnitLiikennemääräPituusDescription
1Matkakeskus linja-autoasemallaTäysperävaunuyhdistelmäKatuajo70% kuorma61.48146222.798688kpl-km /d1002Päästöpiste oletetaan nykyiselle linja-autoasemalle
2Matkakeskus rautatieasemallaTäysperävaunuyhdistelmäKatuajo70% kuorma61.47749121.787756kpl-km /d1002Päästöpiste oletetaan rautatieasemalle

Katso myös

Avainsanat

Viitteet


Aiheeseen liittyviä tiedostoja

<mfanonymousfilelist></mfanonymousfilelist>

Noudettu kohteesta ”https://fi.opasnet.org/index.php?title=Pori&oldid=18060”