Uppbyggnad och validering av emissionsdatabas avseende luftföroreningar för Skåne med basår 2001

Transkript

1 Susanna Gustafsson Uppbyggnad och validering av emissionsdatabas avseende luftföroreningar för Skåne med basår 2001 Tryck: KFS i Lund AB, Uppbyggnad och validering av emissionsdatabas avseende luftföroreningar för Skåne med basår 2001 Susanna Gustafsson Institutionen för Naturgeografi och Ekosystemanalys Lunds Universitet

2 Uppbyggnad och validering av emissionsdatabas avseende luftföroreningar för Skåne med basår 2001 Licentiatavhandling av Susanna Gustafsson Institutionen för Naturgeografi och Ekosystemanalys Avhandlingsnr: 9 i

3 ii

4 Kontakt: Centrum för Geografiska informationssystem, vid Institutionen för Naturgeografi och system analys, Lunds universitet. Adress: Sölvegatan 12 S Lund Sverige Hemsida: ISSN: X ISBN: Susanna Gustafsson 2007 Tryckt av KFS AB Lund Sverige 2007 iii

5 Inledning Sammanfattning Summery vi x 1. Inledning Bakgrund Syfte Struktur 3 2. Metodik Introduktion Databasstruktur Emissionsbeskrivning Rumslig beskrivning och tidsupplösning Söknycklar Beräkningsprinciper Begränsningar Principskiss av emissionsdatabasstrukturen inkl. några exempel Spridningsmodellering och använda beräkningsmodeller Omvandling från NO x till NO Meteorologiska antaganden Bakgrundsberäkningar Validering Validering genom tidsserieanalys Generell databasuppbyggnad Bakgrund Kartor Emissionsschabloner Ingående deldatabaser Grundläggande emissionstyper Geografisk begränsning Emissioner i databasen Vägtrafiken Inledning Fordonstyper Vägtyper Emissioner Namn, lokalisering och söksträngar Statliga vägar Kommunala vägar Trafikresidual Begränsningar och kvalitetsdiskussion 22 iv

6 4.2 Sjöfart Inledning Metodik statistik/information Fritidsbåtar Arbetsfartyg Färjesjöfart Lastfartyg till och från hamnarna Passerande sjöfart Begränsningar och kvalitetsdiskussion Flyg Inledning Metodik statistik/information Utsläppskällor flygplatser Begränsningar och kvalitetsdiskussion Järnväg Inledning Metodik statistik/information Godstransporter Persontransporter Begränsningar och kvalitetsdiskussion Industri och större energi- och värmeproducenter Inledning Metodik statistik/information Emissionsdata från punktkällorna Begränsningar och kvalitetsdiskussion Småskalig uppvärmning Inledning Metodik statistik/information Emissioner i Skåne och geografisk fördelning Begränsningar och kvalitetsdiskussion Arbetsmaskiner, arbetsfordon och arbetsredskap Inledning Metodik statistik/information Emissioner i Skåne och geografisk fördelning Begränsningar och kvalitetsdiskussion Emissioner från Själland Inledning Metodik statistik/information Emissioner och geografisk fördelning Begränsningar och kvalitetsdiskussion Sammanfattande resultat Resultat från emissionsdatabasen Totala utsläppen av olika luftföroreningar i Skåne Areella utsläppen i Skåne Utsläppen fördelade per invånare 59 v

7 5.2 Resultat från beräkningar Bakgrundsberäkningar Validering Validering genom tidsserieanalys Korrelation för medelvärdesbildning vid olika 64 långa tidssteg Areell beräkning av NO Diskussion Felkällor Jämförelse mellan Skånedatabasen från GIS-C 2001, SMED och Länsstyrelsens emissionssammanställning Tidstrender Spridningsberäkningar Utveckling och framtid för Skånedatabasen Slutsatser Referenser 77 Artikel I Artikel II Gustafsson S, Welinder H, Pilesjö P A geographical and temporal high resolution emission database for dispersion modelling of environmental NO X in Southern Sweden. Manuskript Basile Chaix, Susanna Gustafsson, Michael Jerrett, Håkan Kristersson, Thor Lithman, Åke Boalt, Juan Merlo Children s exposure to nitrogen dioxide in Sweden: investigating environmental injustice in an egalitarian country. J Epidemiol Community Health 2006;60: Artikel III Emilie Stroh, Lars Harrie and Susanna Gustafsson A study of spatial resolution in pollution exposure modeling. Inskickad till Journal of geographical analysis. Artikel IV Emilie Stroh, Anna Oudin, Susanna Gustafsson, Petter Pilesjö, Lars Harrie, Ulf Strömberg and Kristina Jakobsson Are associations between socio-economic characteristics and exposure to air pollution a question of study area size? An example from Scania, Sweden. International Journal of Health Geographics 2005, 4:30. vi

8 Sammanfattning Det övergripande syftet med detta arbete är att bygga upp en geografiskt och tidsmässigt högupplöst emissionsdatabas över Skåne (även kallad GIS-C 2001) för luftföroreningarna kväveoxider (NO x ) och partiklar (PM10) för basåret 2001, samt beräkna luftföroreningshalter i Skåne. Även andra ämnen som kolmonoxid, koldioxid, svaveldioxid och lättlösliga organsiska ämnen (VOC) infördes i databasen. Emissiondatabasen är uppbyggd för hela Öresundsregionen, där Skåne ingår. För att mer exakt kunna beskriva luftföroreningshalterna i Skåne krävs information om utsläpp även utanför begränsningsområdet. Speciellt viktigt är detta då emissionerna kring Skåne är stora och därmed påverkar luftkvaliteten. Dessutom har validering av beräknade halter gjorts från spridningsberäkningarna jämfört med uppmätta halter. Beräkning av intransport av luftföroreningar från utlandet, sk. bakgrundsberäkningar skall göras. Tidsserieanalys har gjorts på beräknade tidsserier. Emissionsdatabas (EDB) är ett samlingsbegrepp för en datamängd där emissioner för en eller flera luftföroreningar hanteras. Det övergripande syftet med en emissionsdatabas är att skapa en modell för de verkliga utsläppen i tid och rum. Den generella databasstrukturen för luftföroreningskällor är uppbyggd med fyra olika källtyper: punkt, linje, grid (ruta) och area. Rumslig och tidsmässig data kopplas till varje källtyp. Även andra informationsuppgifter beskrivs så att emissionerna blir korrekta. Dessa kan t.ex. vara, fysiska faktorer (ex rökgashastighet), aktivitetsdata (ex fordonsflöden) och emissionsfaktorer. För att databasen skall vara sökbar krävs information om bl.a. geografisk utsläppsinformation och vilken bransch utsläppen sker inom (t.ex. sjöfart och hushåll). Arbetsverktyg för uppbyggnad av emissionsdatabasen har varit ENVIMAN från OPSIS AB (OPSIS 2004). Kartan till databasen har varit den digitala Öresundskartan från Kort och Matrikel Styrelsen i Danmark, vilken motsvaras av den svenska röda kartan. Denna karta innefattar området Själland, Skåne och Blekinge samt delar av Östersjön, Halland och Småland i skala 1: Öresundskartans koordinatsystem är RT gon Väst. Emissionsschablonerna som använts är de officiella som finns för respektive bransch/källtyp. Emissionsdatabasen innehåller data från olika källtyper. De olika källtyperna, som redovisas separat, är: vägtrafik sjöfart flyg järnväg industri och större energi- och värmeproducenter småskalig uppvärmning arbetsmaskiner, arbetsfordon och arbetsredskap, och emissioner från Själland och Bornholm. Informationen och statisk till databasen har kommit från bl.a. Vägverket (nationella vägdatabasen), kommunala gatukontoren, Sjöfartsverket, hamnkontoren, rederierna, Luftfartverket, SJ, Banverket, Skånetrafiken, Länsstyrelsen, Energimyndigheten, Räddningsverket, sotningsväsendet, statliga utredningar, SCB, SMHI, IVL och SIKA. vii

9 I nedanstående figurer beskriv utsläppen av NO x och partiklar (PM10) i Skåne, samt jämförelse mellan olika emissionsdatabaser/sammanställningar för NO x NOx-utsläpp i Skåne 2001 (ton per år) Vägar Sjöfart Arbetsmaskiner Flyg Järnväg Industri Energiproduktion Småskalig uppvärmning Övrigt 2074 PM10-utsläpp i Skåne 2001 (ton per år) Vägar Sjöfart Arbetsmaskiner Flyg Järnväg Industri Energiproduktion Småskalig uppvärmning Övrigt Figur 1. Kvävedioxidutsläppen (NO x ) och partikelutsläppen (PM10) från Skåne 2001 med källfördelning. Totala utsläppen av NO x i Skåne ton per år SMED 2001 GIS-C 2001 Länsstyrelsen 1998 SMED 2001 GIS-C 2001 Länsstyrelsen 1998 Figur 2. De totala utsläppen av kväveoxider NO x i Skåne från databaserna SMED 2001, GIS-C 2001 och Länsstyrelsen 1998 i ton per år. De totala svenska utsläppen år 2001 av NO x är 250,68 kiloton/år enligt SMED. Fördelas detta utsläpp på Sveriges 8,91 miljoner invånare (SCB 2001) fås 28,1 kg/svensk medborgare och år, vilket kan jämföras med de skånska utsläppen fördelat per skånska invånare som blir enligt GIS-C blir 28,3 kg per år. För SMEDs utsläpp i Skåne fördelat per invånare så blir det endast 22,0 kg/år. I resultaten av spridningsberäkningarna av kvävedioxid har utgångspunkt för beräkningarna varit allt material i databasen. Beräkningar har gjorts som receptorpunktberäkning, med en tidsserie, vilket oftast har varit ett helt kalenderår. Några av de viktigaste resultaten av spridningsberäkningarna är bakgrundsberäkningar och validering. Bakgrundsberäkningarna beskriver hur stor belastningen är av luftföroreningar på Skåne, som har sitt ursprung utanför beräkningsområdet. Resultatet från dessa beräkningar visar på bakgrundshalter av kvävedioxid på ca 2 µg/m 3 för de sju mätstationer som beräkningar har genomförts för. Validering har gjorts för 14 mätstationer i 12 orter för urban bakgrundsmiljö. Resultatet från denna studie visar på ett genomsnittligt fel på 10 % mellan beräkningar och uppmätta halter och en korrelations koefficient på 0,96. I figuren nedan redovisas uppmätta och beräknade kvävedioxidhalter för de 12 orterna i ett punktdiagram. viii

10 35,0 30,0 25,0 Calculated NO 2 value( µ g/m 3 ) 20,0 15,0 10,0 5,0 0,0 0,0 5,0 10,0 15,0 20,0 25,0 30,0 Measured NO 2 value (µg/m 3 ) Figur 3. Uppmätta kvävedioxidhalter plottade mot beräknade halter, för 14 platser i 12 orter Enhet µg/m³. Det finns alltid ett visst mått av osäkerhet i den införda emissionsdatan i EDB:n. Osäkerheten varierar mellan olika källtyper och för olika luftföroreningsparametrar. Det finns också geografiska osäkerheter och tidsmässiga osäkerheter. De största osäkerheterna finns för partiklar. Databasen saknar framförallt information om naturligt bildade partiklar av bl.a. vinden. En bedömd maximal osäkerhet är uppemot 65 % för partiklar. För de andra luftföroreningsparametrarna är den maximala osäkerheten 40 %. Det finns många olika felkällor varav en är otillräcklig statistik. Dessutom är vissa emissionsschabloner gamla. Osäkerheterna varierar också mycket beroende källtyp och luftföroreningsparameter. Det kan konstateras att det mest troliga felet för kväveoxider på innehållet i databasen var ca 15 %. Vid beräkning av kvävedioxidhalterna visade sig det att felet i valideringsstudien var ca 10 %, d.v.s. felet i beräkningarna var lägre än bedömt fel i databasen. Detta säger nu inte hela sanningen, då spridningsberäkningarna inte sker på alla platser och felet i spridningsberäkningen kan motverka felet i databasen. Trots eventuella invändningar tycks det ändå som att beräkningarna styrker kvaliteten på databasen. En slutsats är att de totala emissionerna i Skåne i stort sett stämmer överens med de beräkningar som länsstyrelsen gjorde 1998 (LST 1998) och med SMED 2001 samt att spridningsberäkningar håller hög klass. För spridningsberäkningarna kan det konstateras att en korrelationskoefficient på 0,96 i valideringsstudien är ett mycket gott resultat, som visar att metodiken, uppbyggnad av databasen, spridningsberäkningar och meteorologisk information håller hög klass, samt att hela konceptet är användbart över ett så stort område som Skåne. En viktig skillnad är emellertid att databasen för ix

11 Öresund (Skåne 2001) har mycket mer detaljerad geografisk och tidsmässig upplösning. Denna upplösning har en avgörande betydelse vid dispersionsmodellering av emissionsdatan för bl.a. beräkning av exponeringsnivåer och jämförelser med miljökvalitetsnormer. GIS-centrum vid Lunds universitet är involverat i SNAP-projektet Utveckling av verktyg för kvantifiering av exponering och risk avseende luftföroreningar. SNAP står för "Swedish National Air Pollution and Health Effects Program" och är ett nationellt forskningsprogram om hälsoeffekter av luftföroreningar. Finansiering sker genom Naturvårdsverkets miljöforskningsnämnd. SNAP-projektet (SNAP 2006) på GIS-centrum avser att kunna ge svar på hur mycket människor i Skåne exponeras, och därmed påverkas av, luftföroreningarna. Projektet är ett samarbete mellan GIScentrum (Centrum för Geografiska Informationssystem vid naturvetenskapliga fakulteten, Lunds universitet), Yrkes- och Miljömedicin (Avdelningen för Yrkes- och Miljömedicin vid Medicinska fakulteten, Lunds universitet) och Miljöförvaltningen i Malmö kommun. Summery GIS-centre in Lund University is involved in a SNAP-program Development of tools for population-based exposure assessment and risk evaluation of air pollution. SNAP is an acronym for "Swedish National Air Pollution and Health Effects Program". This program is a national research program about health and air pollution. Financing are supported from environment board at Swedish Environmental Protection Agency. The SNAP-project at GIS-centre intends to give answer how much people in Scania are exposed of air pollution and how the health is affected. The project is a cooperation between GIS-centre (Centre for Geographical information System, Lund University), YMK (Department of Occupational and Environmental Medicine, Lund University) and local environmental protection agency at Malmö municipality. The purpose with this work is to build up a emission database with high resolution in time and space for Scania 2001 for nitrogen oxide (NO x ) and particular matter (PM 10 ), and also calculation of air pollution in Scania. Even other substances as carbon monoxide, carbon dioxide, sulphur dioxide and volatile organic compounds (VOC) were put in the database. The emission database is build up for the whole Öresund region where Scania is included (even called GIS-C 2001). This is made because it s necessary to have information about emission outside the main area (in this case Scania) to make good dispersion calculations. Especially the emissions outside Scania are large and therefore affect air quality in Scania. Validation of calculated air pollution also should be made for different observation places in Scania. Calculations of long way transported air pollutions and time series analyze should be made. Emission database or EDB is a collective concept for the amount of data where emissions of air pollutions are stored. The purpose of an EDB is to create a model for emissions in time and space. The general structure of the EDB is often built up with four different general sources types. This four general source type are point, line, grid x

12 and area. Spatial and time data are connected to different general source types. Even other information is needed, like physical factors (e.g. smoke speed in a chimney), emission explaining variables (e.g. number of vehicle and roads) and emission factors. To make the database searchable some information is needed about where emissions are located (e.g. municipality and country) and from which kind of activity the emissions are originated (e.g. railroad, industries and shipping). The software tool for the EDB has been ENVIMAN from OPSIS AB (OPSIS 2004). The map used is the digital version of the Öresundskartan from national survey and cadastre in Denmark. The map is nearly the same as the Swedish map Översiktskartan, except that the Öresundskartan includes Zealand (DK) and Scania (SE), plus some part of Blekinge, Halland, Småland, and the Baltic sea. The scale is 1: and the coordinate system is the Swedish RT gon west. The emissions models that are used for different sources type are coming from official sources, e.g. Swedish Road Administration. The different emission sources type are: Road traffic Shipping Aviation Railroad Industries and larger energy and heat producer Small scale heating Working machines, working vehicles and working tools. Emissions from Zealand Data that were put in the EDB are coming from Swedish Road Administration (database of all national roads), road administration for municipalities, Swedish Environmental Protection Agency, Swedish maritime administration, local port office, shipping company, Swedish civil aviation administration, Swedish state railroad, administration for public transportation in Scania, Scania county administration, Swedish energy agency, Swedish rescue service agency, chimney sweep governmental inquiry, Statistic Sweden, Swedish Meteorological and Hydrological Institute, IVL Swedish Environmental Research Institute Ltd and Swedish Institute For Transport and Communications Analysis. In the figures below, you can see the emissions for NO x and PM 10 in Scania for different source type, and also a comparison between the new database (GIS-C 2001) and two other emission databases (SMED 2001 and Scania county administration 1998) Emissions of NOx im Scania 2001 (ton/year) Emissions of PM10 in Scania 2001 (ton/year) Road traffic Shipping working machine Aviation railroad Indistrie Energy Smal scale heating Other Road traffic Shipping working machine Aviation railroad Indistrie Energy Smal scale heating Other Figure 1. Emissions of nitrogen dioxide (NO x ) and partikular matter (PM10) in Scania with sources distribution, xi

13 Totala emission of NO x in Scania ton /year SMED 2001 Scania (GIS-c 2001) Scania county administration 1998 Figure 2. The total amount of nitrogen dioxide emission (NO x ) in Scania from the databases SMED 2001, GIS-C 2001 and Scania county administration 1998 in ton/year. The total emission of nitrogen dioxide for hole Sweden is thousands tons/year according to SMED Is this emission distributed over the 8.91 million people in Sweden the average NO x -emission per persons and year become 28.1 kg. That could compare with emissions according to Scania (GIS-C 2001) that are 28.3 kg/inhabitant and year. The whole emission database has been used in the results of dispersions calculation. The calculation has been made as time series for a receptor point in most cases during a whole year. Some of the most important results are background calculation and validation. The background calculation is describing the impact of air pollution that originates outside the calculation area. The result from the calculations showing that the background levels for the seven stations in Scania is 2 µg/m 3. Validations have been made for 14 sites in 12 places for urban background sites. The result of this calculation has a mean error of 10 % and correlation coefficient (r) was In the figure 3 observed and calculated values are showed for the 12 places. 35,0 30,0 25,0 Calculated NO 2 value( µ g/m 3 ) 20,0 15,0 10,0 5,0 0,0 0,0 5,0 10,0 15,0 20,0 25,0 30,0 Measured NO2 value (µg/m 3 ) Figure 3. Observed nitrogen dioxide values against calculated for 12 places, Unit µg/m³. xii

14 There is a big insecurity for particular matter (PM10) since naturally formed PM10 are missing in the database. An estimated insecurity is maximum 65 %. For the other substances the maximum estimated insecurity is approximately 20 %. There are many different errors and one of them is insufficient statistic. Besides this some emission template are old. The insecurity is varying a lot depending type of source. The most likely insecurity for nitrogen oxides was 15 %. For the validation calculations it was 10 %. Even through it can be some objection for this conclusion; the result is showing that the calculations have a good quality. One conclusion of this thesis is that the total emissions in Scania in a big perspective agree very well with other gathering emission databases (SMED 2001 and Scania county administration 1998). A big difference is however that the database for Öresund (GIS-C 2001) has a higher time frame solution and higher geographical solution. This solution has crucial consequences in dispersion modeling from the emission database for exposure level. For dispersion calculation it can be concluded that a result of 0,96 for correlation coefficient is a very high result and showing that the whole methodology is functioning extremely well and can be used over a large area. xiii

15

16 Inledning 1.1 Bakgrund I takt med att intresset för miljön i allmänhet och luftkvalitetet i synnerhet har ökat har kunskapen om storleken på utsläpp till recipienten också ökat. Idag byggs det upp emissionsdatabaser (EDB) för bl.a. luftföroreningsutsläpp. Andra typer av insamlingsobjekt kan exempelvis vara EDB: er för utsläpp till vattendrag, sjöar, hav m.m. Emissionsdatabaserna används till allt från lokala tillämpningar för enskilda tätorter till stora överstatliga databaser som täcker flera länder över stora geografiska områden. I Sverige har de största städerna egna EDB:er avseende luftföroreningar. Även en del Länsstyrelser och/eller Luftvårdsförbund har länsövergripande EDB:er. Det finns också en nationell EDB som heter SMED (Svenska MiljöEmissionsData). SMED drivs av ett konsortium bestående av SMHI (Sveriges meteorologiska och hydrologiska institut), IVL Svenska Miljöinstitutet AB och Statistiska Centralbyrån (SCB). Modellering av halter i atmosfären, med spridningsmodeller, kan göras utifrån emissionsdatabaser. Det modellverktyg som utnyttjats för detta arbete är en traditionell Gaussisk spridningsmodell. I SNAP-delprojektet Utveckling av verktyg för kvantifiering av exponering och risk avseende luftföroreningar, har fokus bl.a. riktats mot Skånes utsläpp av olika luftföroreningar för att kunna ge svar på hur mycket människor exponeras, och därmed påverkas, av luftföroreningarna. SNAP (SNAP 2006) är akronymen för "Swedish National Air Pollution and Health Effects Program" och är ett nationellt forskningsprogram om hälsoeffekter av luftföroreningar. Delprojektet i SNAP är ett samarbete mellan GIS-centrum (Centrum för Geografiska Informationssystem vid Naturvetenskaplig fakulteten, Lunds universitet), Yrkes- och Miljömedicin (Avdelningen för Yrkes- och Miljömedicin vid Medicinska fakulteten, Lunds universitet) och Miljöförvaltningen i Malmö kommun. GIS-centrum har huvudansvaret för att emissionsdatabasen byggs upp och för att spridningsberäkningar görs, samt att ta fram dynamiska exponeringsmodeller. Huvudansvaret för Yrkes- och Miljömedicin är att koppla hälsorelaterade befolkningsdata till exponeringsberäkningarna. I nedanstående lista beskrivs grovt arbetsplanen för SNAP-delprojektet Utveckling av verktyg för kvantifiering av exponering och risk avseende luftföroreningar : Steg 1: Uppbyggnad av emissionsdatabasen för Skåne (även kallad GIS-C 2001 eller Skånedatabasen) avseende parametrarna kväveoxider (NO x ) och partiklar (PM10 = partiklar mindre än 10 mikrometer) år Steg 2: Spridningsberäkningar och valideringar. Steg 3: Exponeringsberäkningar för Skånes befolkning. Steg 4: Koppling av hälsorelaterade befolkningsdata till exponeringsberäkningarna. Basåret för all datainsamling är Med detta menas att alla emissionsschabloner, statistik, emissioner, m.m, skall vara för år Detta är dock inte alltid möjligt då information, schabloner mm inte uppdateras eller inte är tillgängliga för varje år. Det mesta av materialet kommer från Den huvudsakliga spridningen av indatan är mellan åren 1999 och På de ställen där det står att en uppgift kommer från 1

17 exempelvis 2002, så innebär detta att denna uppgift har utnyttjats i databasen för att beskriva emissionerna Detta innebär att en osäkerhet av åldern på indatan introduceras som inte är helt försumbar. Det har inte gjorts någon formell känslighetsanalys, utan tidsfelet har bakats in i de bedömda felen för respektive källtyp och ämne, se vidare kapitel 5. Befintlig kunskap om emissionernas storlek har till viss del utnyttjats då det sedan tidigare funnits lokala EDB:er för Malmö, Helsingborg och delvis för Lund samt att det funnits en översiktlig emissionsdatabas för Skåne län gjord av Länsstyrelsen. Denna EDB:n eller emissionssammanställningen gjordes år 2000 för Skåne, men avser 1997 års data. Databasen eller emissionssammanställningen har en mycket förenklad rumslig och tidsmässig beskrivning av luftföroreningsutsläppen. Baserat på denna databas gjordes spridnings- och nedfallsberäkningar med SMHI:s MATCHmodell under MATCH är en förkortning av Mesoscale Atmospheric Transport and Chemistry Model. MATCH-modellen kan exempelvis användas för att skapa en bild över spridningen av luftföroreningar i en region eller över ett land och har en rumslig upplösning ned till 5 x 5 km. Databasen för Skåne (GIS-C 2001) skall beskriva tillståndet av luftföroreningsutsläppen i Skåne 2001 med hög rumslig och tidsmässig upplösning. Spridningsberäkningar skall också göras. Emissiondatabasen är uppbyggd för hela Öresundsregionen, där Skåne ingår. För att mer exakt kunna beskriva luftföroreningshalterna i Skåne krävs information om utsläppen utanför begränsningsområdet. Speciellt viktigt är detta då emissionerna kring Skåne är stora, och därmed i hög utsträckning påverkar luftkvaliteten i området. 1.2 Syfte Det huvudsakliga syftet med arbetet är att bygga upp en geografiskt och tidsmässigt högupplöst emissionsdatabas för luftföroreningarna kväveoxider (NO x ) och partiklar (PM10) för basåret 2001 i Skåne (GIS-C 2001). Jämförelser skall också göras mellan Skånedatabasen (GIS-C 2001) och andra befintliga databaser/emissionssammanställningar för Skåne. Dessa är Länsstyrelsens emissionssammanställning (LST 1998) och en delmängd av den statliga emissiondatabasen SMED (SMED 2001). Dessutom skall utsläppsnivåerna för olika föroreningsparametrar i Skåne beskrivas i storlek och geografisk spridning. Ett annat syfte med studien är beräkna och validera luftföroreningshalter i Skåne med hjälp av databasen (GIS-C 2001). Beräkning av hur stor intransporten av luftföroreningar från utlandet är samt utröna hur god följsamhet beräknade halter har mot uppmätta halter på timbasis ingår också. 2

18 1.3 Struktur Denna licentiatavhandling innehåller en kappa följt av fyra bilagor, som innehåller artiklar, relaterade till främst spridningsberäkningar av luftföroreningar i Skåne. Kappan innehåller en detaljerad genomgång vad som gjorts vid uppbyggnaden av emissionsdatabasen, spridningsberäkningsmetodik, samt vilka förenklingar och antaganden som gjorts. Dessutom redovisas alla resultat från spridningsberäkningar och emissionssammanställning av olika luftföroreningar. I artikel 1 återfinns en engelsk artikel, som kortfattat beskriver emissionsdatabasen och spridningsberäkningarna. I artikel 2 beskrivs det hur barnen i Malmö exponeras för beräknade luftföroreningar utifrån emissionsdatabasen i Skåne. I artikel 3 gjordes beräkningar av luftföroreningar för olika spatiala upplösningar och därefter exponeringsberäkningar, för att utröna hur val av spatial upplösning påverkar exponeringsberäkningarna. I artikel 4 redogörs det för vilka kopplingar det finns mellan de socioekonomiska strukturerna i Skåne och luftföroreningskvalitet, samt hur den socioekonomiska situationen ser ut för olika geografisk utsnitt och om utsnittet har betydelse för resultatet. De fyra artiklarna finns i följande bilagor: Artikel 1 Artikel 2 Gustafsson S, Welinder H, Pilesjö P A geographical and temporal high resolution emission database for dispersion modelling of environmental NO X in Southern Sweden. Manuskript Basile Chaix, Susanna Gustafsson, Michael Jerrett, Håkan Kristersson, Thor Lithman, Åke Boalt, Juan Merlo Children s exposure to nitrogen dioxide in Sweden: investigating environmental injustice in an egalitarian country. J Epidemiol Community Health 2006;60: Artikel 3 Emilie Stroh, Lars Harrie and Susanna Gustafsson A study of spatial resolution in pollution exposure modeling. Inskickad till Journal of geographical analysis. Artikel 4 Emilie Stroh, Anna Oudin, Susanna Gustafsson, Petter Pilesjö, Lars Harrie, Ulf Strömberg and Kristina Jakobsson Are associations between socio-economic characteristics and exposure to air pollution a question of study area size? An example from Scania, Sweden. International Journal of Health Geographics 2005, 4:30. I artikel 1 var Gustafsson S ansvarig för samtliga delar. I artikel 2, 3 och 4 bidrog Gustafsson S med spridningsberäkningar för olika rumsliga och tidsmässiga skalor, samt valideringar av översänt datamaterial till huvudförfattarna. 3

19 2. Metodik 2.1 Introduktion Emissionsdatabas (EDB) är ett samlingsbegrepp för en datamängd där emissioner för en eller flera föroreningar hanteras. Det övergripande syftet med en emissionsdatabas är att åskådliggöra en bild av de verkliga utsläppen. De vanligaste miljödatabaserna finns inom området utsläpp av luftföroreningar. Databasen skulle i princip kunna hantera all data i tabeller och kolumner i ett generellt databasprogram, men i de flesta fall görs geografisk och tidsmässig beskrivning av luftföroreningsutsläppen i speciellt anpassade program. Dessa anpassade emissionsdatabasprogram har enklare användargränssnitt där de olika emissionskällorna på ett smidigare sätt kan beskrivas. Exempel på detta kan vara att beskriva emissionskällan geografisk, kunna hanterar emissionsstatistik över tiden, enkelt hantera olika emissionsschabloner. Information i emissionsdatabasen kan ligga till grund för olika sammanställningar och beräkningar, bl.a. av framtida utsläppsscenarier. Utsläppsförhållande i en emissionsdatabas redovisas oftast som utsläppsmängd per tidsenhet, t ex kan ton/år eller kg/dygn, men även areella utsläppsbegrepp används, t ex ton/kvadratkilometer och år förekomma. I Sverige finns det i huvudsak två stycken program som används för miljöövervakning av luftföroreningar, nämligen AIRVIRO och ENVIMAN. AIRVIRO (AirViroment) ägs och drivs av SMHI och är ett programverktyg för luftkvalitetsövervakning, emissionsdatabasuppbyggnad och spridningsberäkningar av luftföroreningar. ENVI- MAN (Enviroment Manager) ägs och drivs av OPSIS AB och även det är ett programverktyg för luftkvalitetsövervakning, emissionsdatabasuppbyggnad och spridningsberäkningar av luftföroreningar. I detta projekt har ENVIMAN utnyttjas för uppbyggnaden av emissionsdatabasen och spridningsberäkningar för Öresundsregionen. 2.2 Databasstruktur Den generella databasstrukturen för luftföroreningskällor är uppbyggd med fyra olika källtyper: punkt, linje, grid (ruta) och area. EDB Punkt Linje Grid (ruta) Area Punktkällor är oftast skorstenar, där utsläppet sker mer eller mindre punktformigt. Linjekällan beskriver utsläpp längs med en linje, och en typisk linjekälla är exempelvis en väg eller järnväg. Gridkällan har ett emissionsmönster som ett grid, d.v.s. emissionen fördelas i kvadratiska rutor med olika källstyrka i rutorna. Exempel på en gridkälla är lokal uppvärmning av hushållen, där utsläppsnivåerna i respektive ruta 4

20 beror på hur många hushåll inom rutan som värmer upp husen med olja, ved, pellets o.s.v. Areakälla är i princip ett specialfall av gridkälla där utsläppet fördelas helt jämnt över en yta och ett exempel på areakälla är en grafisk industri där utsläppen av lösningsmedel sker genom ett flertal ventiler/ventilationsutrustningar i fabriksbyggnaden. Ytan i detta fall kan vara fabrikens byggnadsyta. 2.3 Emissionsbeskrivning För att beskriva emissionen från en källa finns det en grundläggande princip som innebär att emission från källan antingen fås via en emissionsfaktor och aktivitetsdata eller via en direkt information om emissionen (Vägverket, 2004). Den grundläggande formeln för alla emissionsberäkningar kan i det första fallet uttryckas enligt följande: där E = EF = E = EF * EEV (1) Den totala emissionen (ton/år) för ett givet ämne (Emission) Emissionsfaktorn (Emission Faktor), t.ex. g per ton använt bränsle EEV = En emissionsgenererande aktivitet (Emission Explaining Variable), t.ex. antal ton använt bränsle per år Direktangivelse av den årliga emissionen (ton/år) är vanligast förekommande för tillsynspliktig miljöfarlig verksamhet där krav finns på verksamhetsutövaren att lämna en årlig miljörapport. Beräkning av emissioner utifrån aktivitetsdata och emissionsfaktorer är den metod som nyttjats när det gäller beräkning av emissioner från källor där man känner till en aktivitet, exempelvis fordonstrafikmängder på ett stort antal enskilda väglänkar, samt förbrukning av ett ämne per tidsenhet. Ett konkret exempel på formel 1 är utsläppet från trafiken för en vägsträcka där emissionsfaktorn (EF) är känd och beskriver utsläppet per km för en fordonsflotta och den emissionsgenererande aktiviteten (EEV) är känd och beskriver antal fordon per år samt längden på vägen i km. 2.4 Rumslig beskrivning och tidsupplösning För varje källtyp kopplas olika rumsliga data och tidsdata ihop med emissionen från källan enligt följande formel: där EDB x = ESV x * ETV x * EPV x * E x (2) EDB x = Emissiondatabasen för en källa x ESV x = Rumslig information för källa x (Emission Space Variable) ETV x = Tidsprofiler/tidsdata för källa x (Emission Time Variable) EPV x = Fysiska faktorer som styr utsläpp från källan x (Emission Physics Variable) E x = Emissionen för källan x (se formel 1) 5

21 Den rumsliga datan (ESV) kan exempelvis vara den fysiska storleken på en industribyggnad, skorstenshöjd på en fabrik, längden på en väg eller åkerarealens storlek och utseende i ett område. För tidsprofilerna (ETV) finns det oftast ett behov att beskriva utsläppen fördelade över dygnet, veckan och månaderna över året. I ett specialfall är tidsprofilen oväsentlig och det är när utsläppet är beroende av meteorologiska faktorer (utsläppet från ett värmeverk kan vara beroende av temperaturen, eller partikelavgången från havsytan kan vara beroende av vindhastigheten). De fysiska faktorerna (EPV) berör endast vissa källtyper där ett exempel är plymlyftet från en skorsten. Plymlyftet beror i huvudsak på rökgastemperatur och rökgashastighet i skorstenen. Att skapa en emissionsdatabas för en mängd källor och källtyper kan beskrivas enligt följande: n EDB = Σ (ESV x * ETV x * EPV x * E x ) (3) x = 1 där x är emissionskällan som går från 1 till n I figur 2.1 beskrivs allmänt de olika ingående grundvariablerna för uppbyggnad av en emissionsdatabas: Källtyp (punkt, linje, grid och area) + Rumslig data (ESV) Ex. position på utsläpp, utsläppshöjd + Tidsdata (ETV) + Ex. Beskrivning av dygnsprofiler Fysiska faktorer Aktivitetsdata + (EPV) + (EEV) + Ex. rökgashastighet i en skorsten Ex. antal fordon per dygn, mängd förbrukad olja osv Emissionsfaktor (EF) Ex. Emissionsschablon för trafikens utsläpp = EDB (emissionsdatabas) Fig Schematisk blockbeskrivning av den grundinformation som krävs för att bygga upp en emissionsdatabas. 6

22 2.5 Söknycklar Annan information som måste knytas till en emissionsdatabas är administrativa uppgifter och söknycklar. Dessa är till för att på ett enklare sätt kunna uppdatera och söka i databasen. De administrativa uppgifterna består vanligtvis av kontaktpersoner, företagsnamn, telefonnummer, adresser, årtal för emissionsuppgiften m.m. som används för att lättare kunna uppdatera databasen. Söknycklarna brukar bestå av olika geografiska indelningar, branschindelningar eller andra indelningar inom en källtyp. Söknycklarna gör det lättare för användaren av databasen att söka ut hur stora utsläppen är för exempelvis en kommun inom en bransch för ett ämne. Dessutom har söknycklarna en fundamental betydelse vid spridningsberäkningar, där man vill beräkna påverkan på miljön från olika branscher och i utsatta miljöer beräkna vilka effekter åtgärder inom någon bransch har på den utsatta miljön. 2.6 Beräkningsprinciper Det finns tre stycken olika beräkningsprinciper för att bygga upp en emissionsdatabas: 1. Bottom-up principen, d.v.s. uppbyggnad av EDB:n görs underifrån där varje källa beskrivs i detalj och alla de lokala källorna summeras ihop till ett större utsläpp. 2. Top-down principen, d.v.s. totalemissionen fördelas på ett antal mindre områden. Oftast är detta nationell eller länsvis utsläppsinformation som skalas ned till exempelvis kommun eller något annat geografiskt område. 3. Top-down - bottom-up, d.v.s. en variant av den vanliga Top-down - metoden. Denna metod använder generell utsläppsinformation för ett område där emissionen fördelas mer noggrant geografisk än den vanliga top-downprincipen. I denna del liknar denna metod mer bottom-up än top-down. Ett exempel kan vara att utnyttja befolkningstäthet som ett aktivitetsmått för en noggrann geografisk placering. I första hand används bottom-up principen, men om inte detta är möjligt utnyttjas topdown-bottom-up-metoden och sista hand endast top-down-metoden. 2.7 Begränsningar Ambitionsnivån bestämmer hur komplicerad en databas kommer att bli och målsättningen har en avgörande betydelse för hur noggrann inventering av emissionskällor som skall göras. I nedanstående lista beskrivs vilka parametrar som påverkar ambitionsnivån i detta arbete, samt hur mycket: Geografisk upplösning Den kartografiska upplösningen motsvarar en skala på 1: och felet på kartobjektens position kan vara uppåt 100 m 7

23 Tidsmässig upplösning För de objekt/källor som har någon upplösning i tiden finns det möjlighet att beskriva emissionen som en generaliserad veckoprofil timme för timme och med hjälp av en månadsprofil. Fullständighet avseende ämnen, utsläppskällor och branscher De ämnen som är med i databasen är i första hand NO x och PM10 (partiklar), men även CO, CO 2, VOC och SO 2 finns med, där uppgifter har kunnats hittas. Fullständighet avseende källtyper Ambitionen har varit att ta med alla källtyper som genererar luftföroreningar. Fullständighet avseende utsläppskällor Här har ambitionen varierat med källtyp. Detta innebär att för vissa källtyper är alla källor med, geografisk placerade och beskrivna, medan för andra källor har detta inte gått att göra. Skälet till detta är att det inte gått att få uppgifter om lokalisering, eller att emissionerna är så pass små att de i praktiken är betydelselösa. För att klarlägga detta ges några exempel: Större industrier/värmeanläggningar här finns de flesta källor med. Mindre industrier här kan det saknas en del källor. Småskalig uppvärmning - här finns de flesta källor med, men alla källorna kan ej placeras geografiskt rätt. Kvalitetskrav Ambitionsnivån har varit att all information skall hålla den absolut högsta kvalitet och att allt material skall kunna spåras. Kontinuitet och ajourhållning I detta projekt har det inte varit något krav på kontinuitet eller att materialet skall ajourhållas. Emissionsdata samlas in för basåret 2001 och uppdateras i huvudsak inte när nya data, nya schabloner eller ny statistik kan erhållas. 8

24 2.8 Principskiss av emissionsdatabasstrukturen inklusive några exempel I figur 2.2 finns en beskrivning av hur emissionsdatabasen är uppbygg med olika källtyper, vilka strukturer som är gemensamma och vilka som är unika. För varje källtyp finns en kortfattad innehållsförteckning på vad som måste beskrivas och vilka aktivitetsdata (EEV) som är nödvändiga. Gridkälla Punktkälla Linjekälla Areakälla Speciell information som kopplas till varje källtyp Geografisk position av källan, skostenshöjd, gastemperatur och gashastighet för beräkning av plymlyftet, byggnadens fysiska utseende för ev. läeffekter Geografisk position av linjekällan, olika knutpunkter, höjd, utseendekarakteristik omkring linjekällan Geografisk begränsning av gridet och gridcellernas storlek, utsläppshöjd Geografisk storlek och position på areaytan, utsläppshöjd Utsläpp av emissionsparameter beräknat utifrån faktisk information eller årlig förbrukning eller beroende på exempelvis temperatur, utsläppsämnen Trafikflöden, emissionsfaktorer, länktyper, utsläppsämnen Utsläppsmängd er och utsläppsämnen kopplat till en geografisk aktivitet, så som andel jordbruksmark inom en gridruta Utsläppsmängd och ämne Gemensam beskrivning för alla källtyperna Namn: Källans namn Tidsprofiler: Tim- och månadsprofiler Administration: Adresser, telefonnummer till kontaktpersoner Söknycklar: Söknycklar för bl.a. land, kommun och branch. Fig Beskrivning av strukturen i den aktuella emissionsdatabasen (Skånedatabasen, GIS-C 2001) Noterbart är att en hel del av datastrukturen är gemensam, såsom tidsprofiler, administrativa uppgifter, söknycklar och namnsträngar, medan beskrivning av utsläppskällan styrs av vilken källtyp som är vald. Detta betyder inte att alla tidsprofiler är 9

25 gemensamma för alla källor, utan de kan vara olika. De kan dock vara identiska. Ett exempel på detta är en fabrik (punktkälla) där man jobbar tvåskift. Tidsprofilen kommer att vara tvåskift. För en petrokemisk industri, som också jobbar i två skift och som betraktas som en areakälla har man samma tidsprofil tvåskift som för fabriken, d.v.s. man delar samma tidsprofil. 2.9 Spridningsmodellering och använda beräkningsmodeller Spridningsmodeller används för beräkning av hur luftföroreningar sprids i atmosfären från en eller flera utsläppskällor. Hur komplex modell som skall används beror på antal källor, terrängens utformning, om kemisk omvandlig skall tas hänsyn till eller ej, storlek på beräkningsområde och meteorologisk indata. Den modell som har använts i detta arbete är US EPA:s Gaussiska spridningsmodell AERMOD (US EPA 2003) i beräkningsprogrammet AQ PLANNER av OPSIS AB. Modellen är tvådimensionell, d.v.s. beräkning av luftföroreningar görs i tre dimensioner, men terräng, hus och vegetation tas inte hänsyn till i beräkningarna. Förutom AQ PLANNER finns också en sk Street Canyon modell som kallas OSPM (Operational Street Pollution Model) (Berkowicz 2000), vilken används för beräkning av luftföroreningar i gaturum. Vid modellering används beräkningsgrid. Upplösningen av griddet vid spridningsmodellering beror i hög grad på hur komplex utsläppssituationen ser ut. I bebyggda områden, med stor utsläppskomplexitet används grid med relativ hög upplösning, eller ca 100x100 meter. På landsbygden, där komplexiteten är mindre, räcker det oftast med lägre upplösning, som 1000x1000 m grid Omvandling från NO x till NO 2 Ett specialfall när det gäller beräkningar av luftföroreningar är att utsläpp av kväveoxider sprids i atmosfären, d.v.s. summan av kvävemonoxid och kvävedioxid. Under tiden omvandlas den initiala kvävemonoxiden till kvävedioxid. I de flesta fall är det av störst intresse att räkna fram kvävedioxid, då det är för kvävedioxid som det finns gränsvärden/miljökvalitetsnormer. Denna omvandling kan göras med omfattande luftkemiska samband, som kräver flera olika parametrar. Istället för denna komplicerade procedur, användes empiriska formler som ur statistik synpunkt omvandlar beräknad NO x -halt till NO 2 -halt. Den omvandlingsformel som har utnyttjats i detta arbete är baserad på mätdata från centrala i Malmö under perioden (Johansson and Forsberg 2005): NO 2 = NO x (0,75+(18/( NOx +60))) (3) 10

26 2.11 Meteorologiska antaganden För spridningsberäkningarna i Skåne har endast ett meteorologiskt dataset använts. Mätningar av meteorologi görs i en 24 m hög mast i Malmö. Orsaken till att bara ett dataset används är dels att bara det finns ett meteorologiskt dataset att tillgå, med tillräckligt hög kvalitet, dels kan endast ett dataset användas vid beräkningar i spridningsmodellen. Beräkningar har gjorts för hela Skåne, vilket ur modellsynpunkt avseende Gaussisk spridningsmodellering är ett stort område. Egentligen är området till och med för stort, men då landskapet trots allt är relativt flackt, görs antagandet att modellen går att applicera för hela Skåne med endast ett meteorologiskt dataset. Det kan dock antas att några mindre fel görs mellan de tre kustområdena och inlandet, då vindklimatet bör skilja sig något åt mellan områdena. Troligen är det också så att fel som uppträder ökar med avståndet från Malmö Bakgrundsberäkningar I Skåne finns det sju observationsplatser i landsbygdsmiljö där det bl.a. mäts kvävedioxid, se figur 2.3. Bakgrundberäkningar för kvävedioxid har gjorts för dessa sju platser i Skåne. Denna beräkning är viktig eftersom luftföroreningar transporteras över stora områden och när det gäller kvävedioxid är uppehållstiden i atmosfären ca 24 timmar, vilket innebär att kvävedioxid kan transporteras i storleksordningen 500 till 1000 km. De sju mätplatserna och beräkningspunkterna som valts för bakgrundsberäkningarna är placerade ute på landsbygden, d.v.s. utsläppen kring beräkningspunkterna är små. Beräkning görs årsvis för perioden 1999 till 2003 och jämförs med uppmätta halter. Alla emissioner är fixerade, utom trafikutsläppen som varieras utifrån emissionsschabloner för respektive år. Skillnaden mellan uppmätta halter och beräknade halter blir ett mått på hur mycket som transporteras in från omkringliggande områden utanför beräkningsområdet. Till viss del beskriver differensen också hur bra emissionsmodellen är konstruerad. Om det finns områden där emissionerna är för låga eller för höga o.s.v. Vid beräkningarna har upplösningen i gridet varit 1 km. Tester har gjorts med högre upplösning, men några signifikanta skillnader har inte framkommit i beräkningarna Validering Validering av modellen har gjorts utifrån 14 stycken mätplatser i urban bakgrundsmiljö för perioden 1999 till 2002, oftast placerade i takmiljö centralt i tätorten. De 14 mätplatserna finns i 12 orter spridda i Skåne, se figur 2.3. Tyvärr saknas valideringsplatser i sydöstra delarna av Skåne, därmed blev valideringen något skevt fördelad. För några av mätplatserna hade mätningar gjorts under en kortare mätperiod över ett halvår, medan för andra platser har mätningar skett kontinuerligt. Beräkningsmetoden har varit att placera beräkningspunkten på rätt plats och rätt höjd. Beräkningsgridet har i tätorten varit 100x100 m, medan gridet utanför tätorten var 1000x1000 m. 11

27 Fig Beskrivning av bakgrundsberäkningsplatser i Skåne (svarta fyrkanter) och beräkningsplatser för validering av emissionsdatabasen och beräkningsmodell (runda punkter) Validering med tidsserieanalys. Tidsserieanalys av beräknade och uppmätta kvävedioxidhalter har gjort för kvävedioxidhalterna i taknivå för centrala Malmö, där mätdata är hämtade från mätstationen Rådhuset under åren 2003 och Beräkningar gjordes timme för timme under två år. Först beräknades bidrag från alla källor i databasen till beräkningspunkten Rådhuset, (för lokalisering se figur 2.3). Därefter adderades bakgrundshalterna, som kommer från beräkning av skillnaden mellan uppmätt och beräknad halt på bakgrundsstationen Vavihill, (för lokalisering se figur 2.3). Dess bakgrundshalter kan betraktas som den långväga intransporten av föroreningar från källor utanför beräkningsområdet. För omvandling av NOx till NO2 användes formel 3. 12

28 3. Generell databasuppbyggnad 3.1 Bakgrund Arbetsverktyg för uppbyggnad av emissionsdatabasen har varit ENVIMAN (OPSIS 2006). Även de lokala EDB:erna har byggts upp med detta verktyg, (se kapitel 3.4). Detta har inneburit en stor fördel då format är desamma i de olika EDB:erna. Arbetet med Skånedatabasen (GIS-C 2001) har gjorts med samma metodik som uppbyggnaden av Malmös emissionsdatabas. OPSIS AB har tagit fram miljöövervakningsverktyget ENVIMAN och har dessutom varit med att bygga upp Helsingborgs-Edb:n. De har också haft intresse att hjälpa till med uppbyggnaden av Skånedatabasen (GIS-C 2001) för att kunna beräkna luftföroreningsbidraget från övriga Skåne och Själand till Helsingborg. Detta har gjorts för Helsingborgs räkning i ett större konsultarbete som gjorts åt Helsingborgs stad. 3.2 Kartor Som bas/grundkarta till databasen har den digitala Öresundskartan utnyttjats. Denna karta innefattar området Själland, Skåne och Blekinge samt delar av Östersjön, Halland och Småland. Kartan är köpt av det danska lantmäteriet Kort och Matrikelstyrelsen. Öresundskartans koordinatsystem från Kort och Matrikelstyrelsen är UTM32- WGS84, som transformerades till RT gon Väst. Denna transformation gjordes för att kartan skulle passa bättre till de lokala kartsystemen i Skåne och koordinatsatt emissionsdata i Skåne. 3.3 Emissionsschabloner I många fall utnyttjas mer eller mindre officiella emissionsschabloner för att beräkna utsläpp av luftföroreningar. Under varje källtyp (kapitel 4) redovisas vilka schabloner, m.m. som utnyttjas. 3.4 Ingående deldatabaser Emissionsdatabasen för Öresund, som beskriver utsläppen av luftföroreningar 2001, har initierats och byggts upp av GIS-centrum vid Lunds Universitet och består av tre separata databaser som har sammanfogats av OPSIS AB. Dessa tre databaser har 2001 som basår. De tre databaserna är följande: Skåne- och Själlands-Edb:n Malmö-Edb:n Helsingborgs-Edb:n Det fanns också ett embryo till en databas i Lund, och data från denna har delvis utnyttjats i detta projekt. 13

29 Skåne- och Själlands-Edb:n är gjord av GIS-centrum och innehåller emissionsuppgifter om industri- och energianläggningar, kommunal vägtrafik, sjöfart (färjor, internationell sjöfart, godstrafik, fritidsbåtar m.m.), jordbruk, skogsbruk, arbetsmaskiner och arbetsredskap, arbetsmaskiner vid hamnarna, småskalig uppvärmning, samt flygplatser. För den kommunala trafiken arbetade två studenter under 8 sommarveckor med att samla in och bearbeta trafikdata från de lokala trafikkontoren i de skånska kommunerna (Gatukontoren i Skåne 2004). Datamaterialet för Själland består av förenklad utsläppsdata för Själland och Bornholm från trafik, industrier, hushåll m.m. samt emissionerna från de större kraftverken. Dessutom har den internationella sjöfarten kring Skåne och Själland inkluderats i denna databas. Malmö-Edb:n är en EDB som Miljöförvaltningen i Malmö har byggt upp och underhållit sedan början av 90-talet och innehåller förutom data från Malmö också viss data från kranskommunerna runt Malmö. Innehållet i Edb:n moderniserades under 2002 och 2003, med bl.a. ny trafikdata för personbilar, lastbilar och bussar samt sjöfart. Även emissionsuppgifterna från de större industrierna och energianläggningarna uppdaterades. Uppdateringsarbetet skedde i samarbete med GIS-centrum och OPSIS AB. Helsingborgs-Edb:n är en databas som funnits i ca tre år och innehåller de flesta av emissionskällorna i Helsingborg. I samband med sammanfogningen av de olika databaserna uppdaterades den med nya emissionsuppgifter om sjöfarten. Detta arbete utfördes av GIS-centrum. Vägverkets vägdatabas (VDB) är egentligen en databas för uppgifter om trafikflöden på de största statliga väglänkarna i Skåne (ca länkar). Arbetet med att föra in Vägverkets data till Skånedatabasen (GIS-C 2001) har i huvudsak gjorts av OPSIS AB. 3.5 Grundläggande emissionstyper I en emissionsdatabas för luftföroreningar beskrivs utsläppen av luftföroreningar för ett antal emissionstyper. Emissionstyperna kan variera med ämnet som emitteras. För de flesta luftföroreningar indelas emissionerna i fyra grundläggande kategorier. Dessa är transport, industri, energi och övrigt. Oftast är ovanstående uppdelning inte nog bra för att kunna hitta statistik om utsläppen från källorna och kunna göra schabloniseringar. Exempelvis består transporter av flera olika källtyper, såsom personbilar, sjöfart, flyg m.fl. En något noggrannare uppdelning är nedanstående: Vägtrafik } Sjöfart Transporter Flyg Järnväg Industri Energi och uppvärmning Arbetsmaskiner, arbetsfordon och arbetsredskap } Övrigt Hushåll 14

30 3.6 Geografisk begränsning Emissioner har förts in för ett område som täcker hela Skåne, Själland, Öresund, Skagerak och södra delen av Östersjön, d.v.s. inte bara emissioner från Skåne utan också från intilliggande områden (se figur 2.3). Skälet till detta är att det är viktigt att beskriva emissioner utanför det egentliga begränsningsområdet vid spridningsberäkningar om emissionerna utanför begränsningsområdet är betydande. Emissionerna är stora från Själland där det tätbefolkade Köpenhamnsområdet utmärker sig speciellt. Den geografiska begränsningen för vad som betraktats som Skåne är enkel vad gäller gränserna till lands, medan det för havet finns flera möjliga avgränsningar. I detta arbete har den geografiska avgränsningen till havs gjorts utifrån territorialgränsen och följer röda kartans gränsdragning. Detta innebär i de flesta fall att emissioner till havs som anses tillhöra Skåne är upp till 2 mil från land. 4. Emissioner i databasen 4.1 Vägtrafiken Inledning Vägtrafik består av flera olika fordonstyper. Dessutom drivs de olika fordonstyperna med olika drivmedel. De flesta personbilar i Sverige är bensindrivna, medan den tunga trafiken huvudsakligen är dieseldriven. Ett undantag är den kommunala busstrafiken där andra drivmedel används, exempelvis naturgas. Förutom fordonstyper finns en uppdelning på olika vägtyper. 13 olika typvägar har använts, några exempel är motorväg, bussgata med en stor andel bussar och hårt trafikerade centrumgator. För varje fordons- och vägtyp finns en beskrivning av hur stora emissionerna är per km. I nedanstående kapitel beskrivs hur de olika delarna av trafikdatabasen är uppbyggda Fordonstyper Vägtrafiken delas grovt upp i personbilstrafik och tung fordonstrafik. De tunga fordonen är en mix av lastbilar utan släp, lastbilar med släp och bussar, medan personbilstrafiken är en mix av bensindrivna personbilar med respektive utan katalysatorer, dieselbilar och lätta lastbilar <3,5 ton. Trafikflödena räknas i antal fordon som ett medelvärde per väglänk och dag för ett normalår, med procentuell andel tunga fordon. För vissa länkar, främst motorvägar med extremt många tunga fordon med släp, delas de tunga fordonen in i två typer: tunga fordon utan släp och tunga fordon med släp. Exempel på detta är motorvägarna E6 och E4, där de tunga fordonen med släp på en del länkar utgör ca 50 % av de tunga fordonen. I vanliga fall beräknas de tunga fordonen med släp utgöra ca 10 % av antal tunga fordon. De utnyttjade fordonstyperna för trafikmodelleringen redovisas i tabell

31 Fordonstyp Kommentar 1 Personbil Består av en mix av besindrivna personbilar med och utan katalysatorer, dieselbilar och lätta lastbilar. 2 Lastbil/buss Dieseldrivna lastbilar och bussar. Lastbilarna har inte släp. 3 Lastbil med släp Tunga dieseldrivna lastbilar med släp. 4 Naturgasbuss Bussar drivna med gas. Tabell 4.1. Beskrivning av olika fordonstyper som utnyttjas i emissionsdatabasen Vägtyper För att kunna beskriva olika flödesmönstren hos trafiken och för att på ett enklare sätt kunna modellera vägnätet har vägarna/gatorna klassificerats i olika vägtyper eller trafikförhållanden, där varje vägtyp har ett specifikt emissionsmönster för respektive ämne och fordon. Egentligen har varje väg/väglänk i princip ett unikt flödesmönster och sammansättning av fordon, men för att överhuvudtaget kunna göra modeller över trafiken måste förenklingar till. I den absolut enklaste modellen kan trafiken på en jämförbar väglänk betraktas som ett genomsnittligt fordon, som i detta fall är en mix av lätta och tunga fordon m.m, för en genomsnittlig väg d.v.s. en mix av olika vägtyper/vägförhållande i staden och på landet. Denna enkla modell medför att utsläppen per kilometer vägsträcka är lika stora i stadens centrum, som på en väg på landet för lika stort flöde av fordon per dygn. Denna enkla modell räcker inte till för att beskriva de emissionsskillnader som finns beroende på sammansättning av olika fordonstyper och körmönstren för olika vägtyper/vägförhållande. För att på ett något sånär effektivt men ändå enkelt sätt beskriva vägar, motorvägar, bostadsgator mm behövs följande vägtyper, eller vägförhållanden: Vägtyp/vägförhållande Beskrivning 1 Genomfartsväg 90 Väg i samhälle, med korsningar och några stopp och start. 2 Genomfartsväg 70 Väg i samhälle, med korsningar och några stopp och start. 3 Genomfartsväg 50 Väg i samhälle, med korsningar och några stopp och start. 4 City Huvudgata 50 Större gata i centrala delarna av staden. 5 City Centrumgata 50 Gata i centrala delarna av staden med många start och stopp. 6 Lokal Gata 50 Mindre gata i staden med små trafikflöden. 7 Industrigata 50 Gata i industriområde, med mycket tung trafik. 8 Bostadsgata 50 Mindre gata i bostadsområden som trafikeras av främst de boende på morgon och kväll. 9 Bussgata 50 Gata där bussar är en stor del av trafiken. 10 Motorväg 110 Större väg med skyltning 110, inga stopp och start. 11 Motorväg 90 Större väg med skyltning 90, inga stopp och start. 12 Landsväg 110 Större väg med få stopp och start. 13 Landsväg 90 Större väg med få stopp och start. 14 Landsväg 70 Typisk landsväg med få stopp och start. Tabell 4.2. Beskrivning av olika vägtyper för modellering av trafiken. 16

32 4.1.4 Emissioner Till varje trafiktyp/trafikförhållande kopplas utsläppen av luftföroreningar för de ämnen som är intressanta. De vanligaste ämnena är svaveldioxid (SO 2 ), kväveoxider (NO x ), kolmonoxid (CO), koldioxid (CO 2 ), flyktiga kolväten (VOC = volatile organic componds), partiklar (PM10 och PM2,5) och bensen. Andra emissionsparametrar som egentligen inte är emissioner, men där modellstrukturen utnyttjas för att uppskatta dem, är trafikarbete och bränsleförbrukning. Dessa s.k. emissioner ger information om det totala trafikarbetet på väglänkarna och den totala bränsleförbrukningen. Dessa uppgifter kan därefter jämföras med andra källor och därigenom kan validering göras för att säkerställa trafikmodellen. Emissionsschabloner för trafiken har erhållits från Vägverket i den s.k. EVA-modellen (VTI 1994, Vägverket 2002). Emissionsschabloner kan erhållas för varje år. I databasen (GIS-C 2001) har emissionsschabloner införts för varje år från 1999 till Namn, lokalisering och söksträngar I databasen har vägarna/väglänkarna benämnts på två sätt, antingen med den sifferkod som Vägverket har för de statliga vägarna eller de väg/gatunamn som används i de flesta tätorter. Vägverkets länknumrering består av siffror eller bokstav plus sifferkod följt av ett länknummer. Exempel på detta är E6 (234), d.v.s. E6 är europaväg nr 6 och länken har nummer 234. De kommunala vägarna har namngetts som följer: vm_es_storgatan (3). Där står vm för väg manuell, d.v.s. det är en väg som är inlagd manuellt, es står för Eslöv, Storgatan är gatans namn och 3 betyder länk nummer tre. Undantag är Malmö, Lund och Helsingborg där deras egen benämning på gatorna har använts, vilket till största del följer ovanstående nomenklatur, med skillnaden att den inledande beteckningen vm_ma (väg manuell för Malmö), vm_lu (väg manuell för Lund) och vm_he (väg manuell för Helsingborg) saknas. Geografisk information om storlek på hus, gatubredd, trottoarbredd för varje väg eller gata har generellt inte införts i databasen. För en del gator i Malmö och Helsingborg har dock detta gjorts på miljökontoren i respektive kommun. Denna information finns i dessa fall också med i Skånedatabasen (GIS-C 2001). Söksträngarna definierar var informationen om vägen kan sökas. För söknyckel bransch ligger alla vägar som branschen VÄGAR och för de geografiska söknycklarna är det land (Sverige och Danmark) och kommun (de skånska kommunerna) Statliga vägar De statliga vägarna har samlats i Vägverkets nationella vägdatabasen (NVDB). Där finns bl.a. uppgifter om varje väglänk, koordinater för väglänkens sträckning, namn på länken, skyltad hastighet, hur många fordon per dygn det passerar på länken och hur många procent tung trafik som passerar på länken. 17

33 NVDB levereras av Vägverket centralt eller av de regionala kontoren. I Skånes fall var det regionalkontoret i Kristianstad som översände NVDB. Materialet kommer som shapefiler och kan hanteras i standarddatabaser. Antalet statliga väglänkar i Skåne var ca st. Den stora mängden trafiklänkar förde med sig en del problem då ENVIMAN har svårt att hantera mer än länkar p.g.a. av koppling till Microsoft Excels tidigare versioner, där det fanns en begräsning på max rader i programmet. Vägdatan för Skåne från Vägverket beskriver trafiksituationen Kommunala vägar Alla vägar finns inte med i nationella vägdatabasen då bl.a. kommunala vägar finns utanför det statliga vägnätet. Andra vägar som ligger utanför det nationella vägnätet är privata vägar och skogsvägar. Ju större kommunen är desto fler kommunala vägar finns det. I de riktigt små kommuner finns det inte några större vägar som kommunen ansvar för, utan alla större vägar innefattas i det statliga vägnätet. Gränsen för att överhuvudtaget ta med en kommunal väg i databasen har lagts på 500 fordon per årsmedeldygn. Kommunerna har oftast inte kunskap om flöden på vägar med antal fordon under 500 fordon per årsmedeldygn. I vissa kommuner kan det noteras att kunskapen är ännu sämre och en bedömd nedre gräns är fordon per dygn. Ett sekundärt problem vore om det fanns trafikdata för alla vägar. Då skulle det bli problematiskt att föra in informationen i databasen. Det skulle krävas åtskilligt arbete för att knappa in all trafikdata med denna höga rumsliga upplösning. De kommunala vägarna har samlats in från de lokala gatukontoren i de skånska kommunerna i huvudsak av två studenter som jobbade med detta under totalt 16 veckor under sommaren Datan bestod av information om väglänk, namn, skyltad hastighet, hur många fordon per dygn som passerar länken och hur många procent tung trafik som passerar länken. Andelen tunga fordon har inte alltid funnits med, då har en schablon på 5 % tunga fordon använts. Väglänkens sträckning har tagits från kommunala kartor och information från gatukontoren. Trafikdatan som förts in databasen har i huvudsak ett tidsspann på 4 år, d.v.s. trafikdatan är från år1999 till år Några kommuner har inte haft någon information om den kommunala trafiken. Detta har orsakats av att de inte har några större kommunala vägar, eller av att kommunen inte mäter den lokala trafiken. För alla kommuner som uppgav att kommunaltrafikinformation saknades gjordes en inventering av de större kommunala vägarna. Via en enklare schablon för trafikflödena, baserat på en dygnsprofil per timme, gjordes en bedömning av den totala trafiken. För följande kommuner gjordes denna enkla inventering: Östra Göinge, Örkeljunga, Kävlinge och Åstorp. Från Bjuvs kommun och Svalövs kommun inkom aldrig några trafikdata från gatukontoret, trots flera påstötningar. 18

34 Kommun Kommunala vägar finns med eller ej Antal kommunala trafiklänkar Totalt antal länkar Trafikarbete (miljoner fordonskilometer per år, inklusive 6 % trafikresidual, se kapitel 4.1.8) Anmärkning Bjuv Nej ,1 Kommunal information saknas, då kommunen inte har inkommit med trafikdata. Bromölla Ja ,7 Ny kommunal trafikdata saknas efter ombyggnation av vägar. Burlöv Ja ,9 Båstad Nej ,0 Kommunal information saknas. Antalet vägar som skulle vara föremål för indata till EDB:n är bedömt till mycket få. Eslöv Ja ,7 Det kommunala trafiknätet ser ut att vara för glest och borde kompletteras. Helsingborg Ja ,4 Hässleholm Ja ,9 Det kommunala trafiknätet ser ut att vara för glest och borde kompletteras. Höganäs Ja ,1 Hörby Ja ,1 Höör Ja ,1 Klippan Ja ,3 Kristianstad Ja ,9 Det kommunala trafiknätet ser ut att vara för glest och borde kompletteras. Kävlinge Ja, se modell a* ,1 Kommunen saknade information. Efter fältstudier har trafikflödena på de största vägarna bedömts utifrån enkel modell a*. Landskrona Ja ,3 Det kommunala trafiknätet ser ut att vara för glest och borde kompletteras. Lomma Ja ,7 Lund Ja ,2 Det kommunala trafiknätet ser ut att vara för glest och borde kompletteras. Malmö Ja ,4 Osby Ja ,3 19

35 Kommun Kommunala vägar finns med eller ej Antal kommunala trafiklänkar Totalt antal länkar Trafikarbete (miljoner fordonskilometer per år, inklusive 6 % trafikresidual, se kapitel 4.1.8) Anmärkning Simrishamn Ja ,8 Sjöbo Ja ,3 Skurup Ja ,5 Staffanstorp Ja ,4 Det kommunala trafiknätet ser ut att vara för glest och borde kompletteras. Svedala Ja ,7 Tomelilla Ja ,1 Trelleborg Ja ,9 Det kommunala trafiknätet ser ut att vara för glest och borde kompletteras. Vellinge Ja ,5 Ystad Ja ,5 Det kommunala trafiknätet ser ut att vara för glest och borde kompletteras. Åstorp Ja, se modell a*. Ängelholm Ja , ,6 Kommunen saknade information. Efter fältstudier har trafikflödena på de största vägarna bedömts utifrån enkel modell a*. Örkeljunga Östra Göinge Ja, se modell a*. Ja, se modell a* ,0 Kommunen saknade information. Efter fältstudier har trafikflödena på de största vägarna bedömts utifrån enkel modell a* ,5 Kommunen saknade information. Efter fältstudier har trafikflödena på de största vägarna bedömts utifrån enkel modell a*. * a. Modellen för att beskriva trafikflödena på de större gatorna i tätorterna har gjorts enligt följande metod: 1. Bedömning på plats vilka gator som är de mest trafikerade i tätorten och som inte finns med i den statliga vägdatabanken. 2. Manuell mätning av gatorna under 15 till 30 min för lätta och tunga fordon. 3. Utifrån allmän schablon för trafikfördelningen under dygnet timme för timme för olika vägtyper har årsmedelflöden beräknats. Tabell 4.3. Sammanfattning av informationsläget hos kommunerna avseende den kommunala vägtrafiken,

36 4.1.8 Trafikresidual Trafikresidual är den trafik som inte fångas in då trafikflödena summeras från det kända statliga och de kommunala vägnäten. Att det föreligger en residual är inte så konstigt då ambitionsnivån har varit att lägga in vägar med mer än 500 fordon per årsmedeldygn i databasen, d.v.s. vägar med mindre trafikflöden saknas. I många kommuner har dock detta inte lyckats, då kommunerna inte har kunskap om trafikflödena på de mindre gatorna. Det finns också en hel del privata vägar, men där är trafikflödena mycket små och har i praktiken ingen betydelse för emissionerna eller för de totala trafikflödena i Skåne. Den största delen av trafiken som inte fångats finns på de mindre eller de halvstora vägarna främst i de större tätorterna. Ett flertal kommuner har en stor brist i att de inte känner till eller inte har resurser att dokumentera flödena på ett flertal både mindre och medelstora vägar/gator i tätorten/erna. Dessutom består de statliga trafikuppgifterna i NVDB av mätningar som är något eller några år gamla. Då trafiken ökar så leder också detta till att underskatta dels de totala trafikflödena och dels emissionerna från trafiken. För att på ett något sånär realistiskt sätt kunna beskriva de totala emissionerna från trafiken behöver således en trafikresidual läggas till i databasen. Försök att uppskatta trafikresidualen har gjorts av Miljöförvaltningen i Malmö och av GIS-centrum. Enligt en metod har man utgått från hur många fordon och fordonstyper som finns registrerade i Skåne, samt genomsittlig körsträcka för dessa fordonstyper. I tabell 4.4 redovisas detta. De statistiska uppgifterna kommer från Bilprovningen. Fordonstyp Antal registrerade fordon i Skåne Genomsnittlig körd vägsträcka i km Summa fordonskilometer Personbil Lastbil Buss Totalt 9.56E+09 Tabell 4.4. Beräkning av de totala trafikflödena i Skåne m.h.a. statistik från bilprovningen (Bilprovningen 2004). Den totala mängden fordonskilometer som finns i databasen är 9,8 miljarder fordonskilometer utan trafikresidual, d.v.s. denna metod ledde till att trafikresidualen skulle saknas, om man antar det skulle gå att använda metoden med genomsnittlig körsträcka och antal fordon. Detta kan inte vara sant. Metoden går inte att applicera på Skåne på grund av för stor andel transittrafik och/eller genom att de genomsnittliga körsträckorna i Skåne inte överensstämmer med övriga landet. Den andra metoden är att uppskatta/bedöma trafikflödena i en tätort för alla gator och vägar och därefter jämföra de skattade totala trafikflödena med den kommunala och statliga informationen av trafikflödena som tidigare erhållits. Detta har gjorts för dels Oxie utanför Malmö 1995 av Miljöförvaltningen i Malmö och för Lund 2004 av GIScentrum. Resultaten från dessa modelleringar visar på stor spridning. I första bedömningen blev resultatet 10 % residual, medan det i det senare fallet Lund 2004 blev en residual på 2 %. En anledning till att residualen blev så pass låg i Lund kan vara att Lund har en ganska god kunskap av de kommunala vägarna och att undersökningen 21

37 av trafiken på de okända vägarna gjordes under sommaren. Undersökningen i Oxie i Malmö gav ett resultat på 10 %, och detta berodde i huvudsak på mindre kunskap om de kommunala vägarna Ett genomsnitt av de två undersökningarna blir 6 %, och detta borde vara en bättre generell beskrivning av residualen. Därför har denna residual använts i arbetet. En tredje metod att få fram residualen är att försöka bedöma hur mycket transittrafik som passerar Skåne, och hur långt de kör inom länet. Detta skulle kunna adderas till metod 1, där trafikflödena beräknas m.h.a. statistik. Enligt Vägverket kommer detta att göras under 2004/2005 i ett samarbetsprojekt med SIKA (Statens Institut för kommunikationsanalys). I tabell 4.5 redovisas de totala emissionerna och emissionsresidualen från vägtrafiken i Skåne 2001 från Skånedatabasen (GIS-C 2001), för sex luftföroreningar, samt trafikarbetet. Emission i ton per år Residual 6 % NO x VOC PM10 CO CO 2 SO 2 Trafikarbete ,775 miljarder fordonskilometer ,587 Tabell 4.5. Emissioner från trafiken, trafikarbetet och emissionsresidualen för trafiken i Skåne, Emissionsresidualen för Skåne har räknats ut för alla kända utsläppsparametrar och utsläppen har fördelats med hjälp av ett grid med en storlek på 1 * 1 km över Skåne. Emissionsfördelningen inom hela gridet är anpassad till kartans attribut och gjord på följande sätt: Land = 1 Hav/sjö = 0 Tätort = 20 Detta innebär att källstyrkan från trafiken i tätorterna är 20 gånger större än källstyrkan på landsbygden Begränsningar och kvalitetsdiskussion Trafiken har en avgörande betydelse för utsläpp av olika luftföroreningar och därigenom har kvaliteten på ingående data också en avgörande betydelse för slutresultaten. I ett gaturum, d.v.s. en gata omgiven av höga hus och inga större andra emissionskällor i närheten, är påverkan från trafiken på luftkvaliteten i gaturummet uppåt 90 %. Detta gäller för t.ex. kväveoxider, men inte för svaveldioxid. Det insamlade materialet från kommunerna har som tidigare nämnts, haft en stor spridning avseende kvalitet. Detta gäller främst mängden gator/vägar som trafikflödena har mätts på. I materialet kan man se att en del kommuner är bättre och 22

38 en del är sämre på att samla in trafikinformation, d.v.s. trafikflöden och antalet vägar som trafikmätningar görs på, samt fördelningen mellan lätta och tunga fordon. Vid jämförelse mellan olika utsläppsparametrar (utsläppsämnen), så visar det sig att emissionsschablonerna för partiklar har en större osäkerhet än för de andra ämnena. Det är främst resuspensionen från vägen som är problemet. All information om storleken på resuspension baseras i princip på mätningar av partiklar från Hornsgatan i Stockholm, där de meteorologiska förhållandena inte kan jämföras med de Skånska. Arbete inom detta fält har gjorts under 2005 i bl.a. Malmö i ett sammarbetsprojekt mellan Vägverket, IVL, SMHI och Malmö Miljöförvaltning. För emissionsschabloner kommer all data från Vägverket/VTI via emissionsmodeller och där är det svårt att ha kontroll över felen i ingående komponenter. Det saknas också en del dokumentation av modellerna. Vid kvalitetskontroll av emissionsschabloner har det vid beräkningar av halterna i gaturum visats sig att emissionsmodellen har för låga emissionsschabloner (muntliga uppgifter från OPSIS, Håkan Törnevik 2003). Detta har inneburit att de officiella schablonerna har förskjutits två år, d.v.s. använd schablon för 2002 är den officiella schablonen för Detta fel har också verifierats av Vägverket (Johansson 2004) och från Malmö Miljöförvaltningen i spridningsberäkningar i gaturum (Nilsson 2004). Naturligtvis kan det vara spridningsmodellerna AERMOD och/eller OSPM som är felaktiga och ger upphov till ovanstående fel. En annan felkälla är residualen som har visats sig svår att beräkna med tillfredsställande hög säkerhet, då spridningen på resultatet blir stor mellan olika metoder. Ett önskemål vore att i samarbete med Vägverket göra mer detaljerade beräkningar av trafikresidualen. Allmänt måste man vara medveten om att informationen om alla vägar/gator är modeller av verkligheten och inte beskriver den verkliga trafikflödesfördelningen, fördelningar mellan olika fordonstyper och händelser i trafiken. I praktiken är varje väg unik i varje ögonblick, men med detta angreppssätt kan ingen modell utnyttjas. Felet i emissionsstorlek för en enskild väglänk är i de flesta fall bedömd till max 20 %, medan det finns fall på enskilda väglänkar där felet med all säkerhet är i storleksordningen 100 %. Felet för hela emissionsdatabasen för trafiken är i bedömd till max 20 %. I tabell 4.6 redovisas de bedömda felen per ämne. Det minsta felet är alltid 0 %, men i redovisningen har en skattning av det troligaste felet respektive värsta scenariot gjorts. Ämne Feluppskattning Feluppskattning för värsta scenariot % NO x 10 <20 CO 10 <20 CO 2 10 <20 VOC 15 <25 SO 2 15 <25 PM10 60 <100 Tabell 4.6. Bedömning av det mest troliga respektive det största felet för varje ämne,

39 4.2 Sjöfart Inledning Sjöfarten har en stor betydelse för de totala luftföroreningsutsläppen i Europa, och utsläppen är i storleksordning jämförbara med alla utsläppen som sker på land (Internationella försurningssekretariat, 2006). Sjöfartens utsläpp anses också vara en stor bidragande orsak till de höga ozonhalter som förekommer i Europa. De omfattande utsläppen görs mest över öppet hav där föroreningarna snabbt späds ut. I Skåne kan man räkna med att den omfattande frakt- och färjesjöfarten ger upphov till en allmänt förhöjd luftföroreningshalt även över land. Sjöfarten har indelats i fem kategorier: 1. Fritidsbåtar i Skåne (består av segelbåtar, med och utan motor, samt olika storlekar av motorbåtar) 2. Arbetsfartyg med hemmahamn i Skåne 3. Lastfartyg som anlöper skånsk hamn 4. Färjesjöfart som anlöper skånsk hamn 5. Passerade fartyg utmed Skånes kuster som ej angör skånsk hamn Dessa fem kategorier kan grovt indelas i fartyg som angör skånsk hamn och fartyg som passerar förbi den skånska kusten. Det är främst av emissionsschablonmässiga skäl som fartygen delas i de fem kategorierna. De fartyg som har skånsk hamn som start och målpunkt finns det förhållandevis god statistik/information om, medan uppgifter för sjöfarten som passerar förbi kan innehålla stora fel, då statistik om fartygsfördelning, typ av fartyg m.m. i princip saknas Metodik statistik/information Metoderna för att finna ett bra sätt få fram information om hur mycket sjötrafik som passerar kring den skånska kusten varierar med vilken kategori av sjöfart (1-5) som undersöks. Generellt gäller det att för varje specifik driftfas som fartyget befinner sig i, erhålla information om hur stor effekt som utnyttjas, vilken motortyp fartyget har, liggtid vid kaj samt oljeförbrukning och svavelhalt för de olika driftfaserna. De olika driftfaserna är normal drift till sjöss, manöverfasen till eller från kajen och vid kaj. I de flesta fall har emissionsschabloner från Naturvårdsverket utnyttjats (Alexandersson et al. 1991). I nedanstående underkapitel redovisas hur statistik och emissionsschabloner har behandlats för de fem olika kategorierna av fartyg. 24

40 4.2.3 Fritidsbåtar Varken Naturvårdsverket eller Sjöfartsverket har någon detaljerad kunskap om hur många fritidsbåtar det finns i Skåne. Den bästa statistiken är från de åren då sjöfartsregistret fanns i Sverige (1990). Utdrag ur denna visar att det fanns ca fritidsbåtar i hela Sverige. Fritidsbåtar Antal i Sverige Antal i Skåne Registrerade fritidsbåtar (motordrivna) Ej registrerade fritidsbåtar (motordrivna) (2 gånger fler ej registrerade fritidsbåtar*) Tabell 4.7. Antalet registrerade och oregistrerade fritidsbåtar i Sverige 1990, (Naturvårdsverket 1992). * Enligt Sjöfartsverket finns ytterligare ca 2 gånger fler icke registrerade fritidsbåtar mot antalet registrerade, d.v.s. den totala mängden fritidsbåtar är 3 gånger större än antalet registrerade. Enligt Sjöfartsverkets register från 1990 fanns det då omkring registrerade fritidsbåtar i Skåne. Vi antar att det att antalet fritidsbåtar inte förändrats speciellt mycket under de senaste 11 åren, men för att kunna göra den bedömningen har nästan 80 båtklubbar i Skåne intervjuats. Siffrorna i tabell 4.8 är baserade på intervjuerna, där en del båtklubbar haft kunskap hur många motorbåtar respektive segelbåtar som finns knutna till båtklubben. Där kunskap om fördelningen mellan segelbåtar och motorbåtar saknats har schablon enligt naturvårdsverkets rapport använts (Naturvårdsverket 1992), vilken innebär att det finns 78 % motorbåtar och 22 % segelbåtar (enligt det gamla sjöfartsregistret). Följande data har erhållits för kommuner som har kust eller större sjö inom kommunen: Fritidsbåtar i Skåne som Segelbåtar Motorbåtar har hamnplats i Skåne Båstad Ängelholm Höganäs Helsingborg Landskrona Kävlinge Lomma Burlöv 0 0 Malmö Vellinge Trelleborg Skurup Ystad Simrishamn Kristianstad Bromölla Hässleholm (Finjasjön) Eslöv/Höör/Hörby (Ringsjöarna) Summa Tabell 4.8. Antal fritidsbåtar, fördelat på segelbåtar och motorbåtar i skånska kommuner enligt enkät,

41 Med utgångspunkt från hur kusten ser ut, samt diskussioner med båtklubbarna och sjöfartsverket har det antagits att det totala antal segelbåtar är 20 % större än vad som redovisas via båtklubbarnas medlemsregister. Antal motorbåtar i Skåne antas vara tvåhundra procent fler än vad som redovisas via båtklubbarnas medlemsregister. Det totala antal fritidsbåtar blir för Skåne stycken motordrivna fritidsbåtar, med fördelningen segelbåtar och motorbåtar. Notera att det totala antalet fritidsbåtar blir något lägre än Naturvårdsverkets schablon. Totalt antal fritidsbåtar i Segelbåtar Motorbåtar Skåne Totalt Tabell 4.9. Summa segelbåtar och motorbåtar i Skåne, Den geografiska fördelningen av fritidsbåtar kring Skånes kuster och i de större sjöarna har ansatts som helt jämn till 10 km utanför kusten eller till territorialgränsen, trots att detta är felaktigt. Orsaken att detta antagande görs är att annars blir mängden arbete kring fritidssjöfarten alltför stor i förhållande till påverkan på luftkvaliteten. Fördelningen av antal fritidsbåtar i effektklasser och motortyper i Skåne antas följa samma fördelning som finns i Sverige (Naturvårdsverket 1992). Följande tabell för Skåne erhålls: Motorbåtar Segelbåtar med motor Motoreffekt (KW) fyrtakt bensin tvåtakt bensin diesel fyrtakt bensin tvåtakt bensin diesel > Tabell Fördelning av fritidsjöfarten i effektklasser och motortyp i Skåne, Drifttider för båttyper och motorstorlek antas följa följande modell från Naturvårdsverket (Naturvårdsverket 1992): Båttyp Nyttjandetid (timmar per år) Segelbåt 10 Motorbåt >10 KW 40 Motorbåt <10 KW 20 Använda emissionsschabloner för bensin- och dieselmotorer kommer från Naturvårdsverket (Naturvårdsverket 1992). Emissionerna från fritidssjöfarten i Skåne är förhållandevis blygsam, jämfört med andra emissionskälltyper, såsom industri och biltrafik. Trots detta skall inte emissionerna förringas, utan kan lokalt ha betydelse. I tabell 4.11 redovisas utsläppen från varje båttyp och luftförorening, samt det totala utsläppet. 26

42 Luftföroreningsutsläpp Motorbåtar (ton/år) Segelbåtar (ton/år) Totalt (ton/år) NO x VOC CO PM CO SO Tabell Totala utsläppen för olika föroreningar från fritidssjöfarten i Skåne, Arbetsfartyg Arbetsfartygen med hemmahamn i Skåne har indelats i sex undergrupper beroende på verksamhet. Det är fiskeskepp, fiskebåtar, fiskebåtar för turister, kustbevakningsfartyg, bogserbåtar och marinens fartyg. Information om dieselförbrukning, motortyp, hur mycket fartygen nyttjas och emissionsschabloner hämtas från Naturvårdsverket (Naturvårdsverket 1992) och genom intervjuer med olika företag, myndigheter och hamnar. Den geografiska fördelningen av arbetsfartygen har antagits som helt jämn till 10 km utanför kusten eller till territorialgränsen. Det finns fyra Fiskeskepp i Skåne enligt uppgifter från Marinen (Marinen 2003). Detta har konfirmerats av hamnkontoret i Simrishamn. Skeppen har mål- och startpunkt i Skåre eller Simrishamn. Motorerna har en effekt av ca 2000 KW och ca 60 % av effekten utnyttjas vid normal drift. Motorerna är medelvarvs fyrtaktsdieslar och har en dieselförbrukning på ca 300 l per timme. Det har antagits att dieselolja innehåller 0,1 % svavel. Driften av fartygen sker under ca 185 dagar per år och 24 timmar per dygn. De ligger ute ca 5 dygn i rad, söndag till torsdag under knappt 40 veckor per år. Det har antagits att utsläppen kring Skåne är 40 % av de totala utsläppen, då fartygen rör sig över stora områden för att fiska. I tabell 4.12 redovisas fakta om emissionsschabloner och beräknade emissioner. Fiskeskepp (2000 KW) Emissionsschablon i g/kwh, enligt sjöfartsverket för fyrtaktsdieslar med 80 % belastning. NO x HC CO PM CO 2 SO ,2 1 0, ,1% svavel Emission totalt (ton/år) Emission kring Skåne, % (ton/år) Tabell De skånska fiskeskeppens emissioner till luft,

43 Det finns tretton Fiskebåtar i Skåne enligt uppgifter från Marinens fartygsdatabas (Marinen 2003), vilket också konfirmeras via samtal med de olika hamnkontoren i Skåne. Skeppen har mål- och startpunkt i Skåne och fiskebåtarna finns i Simrishamn, Helsingborg, Båstad och Malmö. Motorerna har en effekt av ca 300 KW och ca 80 % av effekten utnyttjas vid normal drift. Motorerna har antagits vara tvåtaktsdieslar och har en dieselförbrukning på ca 75 l per timme. Det har antagits att dieselolja innehåller 0,1 % svavel. Driften av fartygen är 120 dagar per år och 12 timmar per dygn. De ligger ute måndag till fredag. Det har antagits att utsläppen kring Skåne är 80 % av de totala utsläppen. I tabell 4.13 redovisas fakta om emissionsschabloner och beräknade emissioner. Fiskebåtar (300 KW) Emissionsschablon i g/kwh, enligt sjöfartsverket för tvåtaktsdieslar med 80 % belastning. NO x HC CO PM CO 2 SO , ,1% svavel Emission totalt (ton/år) Emission kring Skåne, % (ton/år) Tabell De skånska fiskebåtarnas emissioner till luft, Det finns tio Turistfiskare i Skåne enligt uppgifter från Marinens fartygsdatabas (Marinen 2003). Detta konfirmeras av de olika hamnkontoren i Skåne. Skeppen har mål- och startpunkt i Skåne och de kända turistfiskare som lokaliserats finns i Simrishamn, Ystad, Vellinge, Lomma, Helsingborg, Båstad och Malmö. Motorerna har en effekt av ca 300 KW och ca 50 % av effekten utnyttjas vid normal drift. Motorerna har antagits vara tvåtaktsdieslar och har en dieselförbrukning på ca 35 l per timme. Det har antagits att dieselolja innehåller 0,1 % svavel. Driften av fartygen är 120 dagar per år och 6 timmar per dygn. Det har antagits att utsläppen kring Skåne är 90 % av de totala utsläppen. I tabell 4.14 redovisas fakta om emissionsschabloner och beräknade emissioner. Turistfiskare (300 KW) Emissionsschablon i g/kwh, enligt Naturvårdsverket för tvåtaktsdieslar med 80 % belastning. NO x HC CO PM CO 2 SO ,1% svavel Emission totalt (ton/år) ,4 Emission kring Skåne, ,4 90 % (ton/år) Tabell De skånska turistfiskarnas emissioner till luft,

44 Kustbevakningen har fyra fartyg i Skåne enligt uppgifter från Marinens fartygsdatabas (Marinen 2003). Det styrks via samtal med kustbevakningen. Fartygen är stationerade i Helsingborg (2 st), Vellinge (1 st) och Simrishamn (1 st). Motoreffekten varierar mellan 600 och KW inklusive hjälpmotorer och varje fartyg körs enligt uppgift ca timmar per år. Två av fartygen har katalysator och en katalysator i full drift antas reducera utsläppen med 90 % för NOx, CO och HC. Motorerna har antagits vara medelvarvs fyrtaktsdieslar och har en dieselförbrukning på ca 125 l per timme. Det har antagits att dieselolja innehåller 0,1 % svavel. Det har också antagits att utsläppen kring Skåne är 70 % av de totala utsläppen. I tabell 4.15 redovisas fakta om emissionsschabloner och beräknade emissioner. Kustbevaknings fartyg Emissionsschablon i g/kwh bränsle, enligt Naturvårdsverket för medelvarvs fyrtaktsdieslar med 80 % belastning. NO x HC CO PM CO 2 SO ,4 0, ,1 % svavel Emission totalt (ton/år) ,9 Emission kring Skåne, 70 % (ton/år) ,6 Tabell Kustbevakningens emissioner till luft i Skåne, Det finns sju Bogserbåtar i Skåne enligt uppgifter från Marinens fartygsdatabas (Marinen 2003). Genom samtal med bogserföretag (Röda bolaget) kan de bekräfta detta. De sju fartygen uppehåller sig i huvudsak i Skåne. Uppdragen är av kortare art och varje bogserbåt har knappt ett uppdrag om dagen. Antaget är en driftstid på 6 timmar per dag, 5 dagar i veckan, totalt 180 dagar per år. Bogserbåtarna har en effekt på 4000 KW. Under 10 % av tiden nyttjas 30 % av effekten och under resterande 90 % av tiden nyttjas 80 % av effekten. Motorerna har antagits vara medelvarvs fyrtaktsdieslar enligt Sjöfartsverkets schabloner och har en dieselförbrukning på ca 300 l per timme. Det har antagits att dieselolja innehåller 0,1 % svavel. Det har antagits att utsläppen kring Skåne är 70 % av de totala utsläppen. I tabell 4.16 redovisas fakta om emissionsschabloner och beräknade emissioner. Bogserbåtar (4000KW) Emissionsschablon i g/kwh, enligt sjöfartsverket för fyrtaktsdieslar med 80 % belastning. NO x HC CO PM CO 2 SO2 14 0,2 1 0, ,1% Emission totalt (ton/år) Emission kring Skåne, % (ton/år) Tabell Bogserbåtarnas emissioner till luft i Skåne,

45 Marinen har 3 stycken vedettbåtar som är stationerade i Malmö. Effekten är KW plus hjälpmotor på 40 KW allt enligt Marinen. Båtarna körs totalt ca timmar per år, jämnt fördelat under året. Motorerna är medelvarvs fyrtaktsdieslar, med en dieselförbrukning på 150 l per timme. Det har antagits att dieselolja innehåller 0,1 % svavel. Det har antagits att utsläppen kring Skåne är 70 % av de totala utsläppen. I tabell 4.17 redovisas fakta om emissionsschabloner och beräknade emissioner. Marinen (1540 KW) Emissionsschablon i g/kwh, enligt Naturvårdsverket för medelvarviga fyrtaktsdieslar med 80 % belastning. NO x HC CO PM CO 2 SO ,2 1 0, ,1 % Emission totalt (ton/år) ,8 Emission kring Skåne, 70 % (ton/år) ,5 Tabell Marinens emissioner till luft i Skåne, Sammanfattning av de totala utsläppen från de olika större arbetsfartygen som finns i Skåne redovisas i tabell Utsläpp av luftföroreningar kring Skånes kust* i ton per år NO x HC CO PM CO 2 SO 2 Fiskeskepp Fiskebåtar Turistfiskare Kustbevakningen Bogserbåtar Marinen Summa Tabell Sammanställning av arbetsfartygens utsläpp luft i Skåne, Notera att summering inte stämmer, då detta är gjort med fler värdesiffror än som redovisas. * avser de utsläpp som sker inom territorialgränsen eller 10 km från kusten. 30

46 4.2.5 Färjesjöfart Färjesjöfarten bör behandlas i det närmaste individuellt, d.v.s. uppgifter om de fartyg (färjornas) karakteristik som angör de skånska hamnarna måste inhämtas från varje rederi. De stora rederierna är Scandlines, DFDS, TT-line och Nordölink, och de största hamnarna för färjesjöfart är från norr, Helsingborg, Malmö, Trelleborg och Ystad. I tabell 4.19 återfinns de olika hamnarna, antal rederier och antal färjor och namn på färjorna samt en skattning av hur många turer de gör per dag. Data för varje färja har fåtts via enkät till rederierna, tidtabeller, samtal med rederierna och samtal/epost-kommunikation med hamnbolagen. Tabellen gäller för trafiksituationen Hamn Rederier Antal färjor Helsingborg HH-ferries 2 Helsinborg - Helsingör Namn Mercandia 4 och Mercandia 8 Antal dagsturer 40 Scandlines Helsinborg - Helsingör 3 Aurora, Tycho Brahe och Hamlet 60 Sundsbussarna Helsinborg - Helsingör 4 Jeppe, Magdalone, Pernille och Ersamus 36 Malmö Trelleborg DFDS Köpenhamn Oslo via Helsinborg Nordölink Malmö Travemünde Scandlines Trelleborg-Tyskland 2 Queen of Scandinavia och Crown of Scandinavia 2 Lübecklink och Malmölink 2 Göta och Svea 2 Trelleborg och Sassnitz Skåne och 2 Mecklenburg- Vorpommern TT-line Trelleborg-Tyskland Ystad Bornholmstrafikken * Ystad-Bornholm i.u. Delfinen Nils Dacke och Robin Hood Peter Pan och Nils Holgersson Tom Sawer och Huckleberry Finn i.u Polferries * Ystad - Polen i.u. i.u. 1 Pol-Line * Ystad - Polen i.u. i.u. 3 Tabell Sammanställning av färjor och rederier i Skåne samt turtäthet, *) information saknas från dessa rederier och schablon har skapats utifrån kunskap om färjorna som finns i främst Trelleborg. i.u. = ingen uppgift 31

47 Emissionerna från färjesjöfarten är baserade på utnyttjad motoreffekt, motortyp, bränsleförbrukning, hastighet, manövertider vid kaj, liggtid vid kaj m.m. för de tre driftfaserna kaj, manöver och till sjöss. Emissionsschabloner har hämtats från Naturvårdsverket (Alexandersson et al. 1991). Beskrivning av antal anlöp och tidsfördelning inom detta arbete har hämtats dels från internet och dels från rederierna via enkät eller direkt kommunikation. För sjöfarten i Trelleborg har ett flertal uppgifter kommit från Trivector i samband med tillståndsprövning av hamnverksamheten i Trelleborg. Trivector har i sin tur hämtat uppgifterna från rederierna och från hamnmyndigheten i Trelleborg. Ångpanneföreningen (ÅF) gjorde under 2003/2004 en detaljerad utredning av Malmö hamns påverkan på bl.a. luftkvaliteten i samband med tillståndsprövning av hamnen. En del nya resultat framkom vid denna utredning: Använd effekt vid manövrering och vid kaj var i storlekordning % av de uppgifter som har angetts av rederier i enkäter som av GIS-centrum skickats ut till rederier. Denna information baseras på en utredning gjord av Statens Skeppsprovningsanstalt (SSPA) för Malmö hamns räkning. Det finns nya och mer specifika emissionsschabloner för sjöfarten, än de som har utnyttjats i detta arbete, från en utredning av EU (Eurpean Commission 2002). Konsekvensen av ÅF:s utredning är att de skattade emissionerna från sjöfarten i det närmaste halveras i närheten av hamnarna i jämförelse med innan. Däremot har det inte inom detta arbete funnits tid att utreda förändrade emissionsschabloner. 32

48 4.2.6 Lastfartyg till och från hamnarna Information om lastfartygens karakteristik baseras på dels information från de lokala hamnmyndigheter, och dels från rapporten Helsingborg Stad Spridningsberegninger for skibe i Öresund ved Helsingborg (Dansk Miljöteknik AS 2003). Utifrån denna motortekniska information har en schablon för hur stora utsläppen är från ett genomsnittligt lastfartyg upprättats. Information om hur många fartyg som anlöper, hur länge de ligger vid kaj, hur anlöps-/avgångsrutten ser ut och var fartygen ankrar kommer från den lokala hamnmyndigheten. I tabellen nedan återfinns delar av den information som behövs för att emissionsmodellera godstransporterna till och från hamnarna. Hamn Kajplatser Antal anlöp och avgångar per dag Genomsnittlig liggtid vid kaj per fartyg Helsingborg Bulkhamnen 1 1 dygn Västhamnen 2 7 dygn (metall) Sydhamnen timmar (container) Landskrona 2 1 dygn Malmö Oljehamnen 2 12 timmar Godshamn norr 2 12 timmar Godshamn söder 2 12 timmar Trelleborg 0,6 12 timmar* Ystad 0,6 1 dygn Åhus 2 1 dygn Tabell Antal anlöp/avgångar och liggtid av godstrafiken i de skånska hamnarna, *bedömd liggtid Passerande sjöfart Information om de passerande lastfartygens karakteristik baseras på information från rapport från Dansk Miljöteknik AS (Dansk Miljöteknik AS 2003). Utifrån denna motortekniska information har det skapats en schablon för hur stora utsläppen är från ett genomsnittligt passerande lastfartyg. Motoreffekt Motortyp nominellt utnyttjad + hjälpmaskin (KW) Medelvarvs diesel Hastighet till sjöss (knop) Svavelhalt i bränslet (%) ,64 Tabell Schablon för ett genomsnittligt godsfartyg, Drivmedelsförbrukning totalt (ton/timme) 33

49 Intensiteten på sjöfartstrafiken eller antal passerande fartyg för olika sträckor omkring farvattnen i Skåne kommer från den svenska och danska marinen (se figur 4.1). Civil sjöfart Öst/ Nr 9 SYDKUSTENS MARINBAS Bild 4.1. Fartygsrörelser (siffrorna i kartan) runt Sverige och Danmark avser år 2001 (Försvarsmakten 2001) Begränsningar och kvalitetsdiskussion Det ligger en stor osäkerhet i sjöfartens emissioner, då bl.a. kunskapen om sjöfarten är utspridd på många myndigheter och att en del statistik inte går att få tag i, samt att emissionsschabloner är grova. För att bygga upp en högkvalitativ databas för sjöfartens utsläpp av luftföroreningar skulle data från de olika myndigheterna behöva samköras. Ett exempel är att passerande lastfartyg detekteras och identifieras av både svenska och danska marinen, men där det inte sker någon sammanställning av statistik om vilka typfartyg som passerar, statistik på motoreffekt, oljeförbrukning, transporthastighet m.m. Istället har statistik tagits fram via kvalificerade gissningar, med utgångspunkt från data från de olika lastfartyg som angör de skånska hamnarna samt en schablonmässig bedömning av en dansk konsultfirma. De använda emissionsschablonerna är dessutom inte aktuella utan bygger på emissionsdatamätningar från en flertal fartyg från slutet av 80-talet. Nya schabloner finns att tillgå sedan slutet av 2002 från Entecs utredning till European Commission 2002 (Eurpean Commission 2002). Dessvärre har det inte funnits möjlighet att implementera dessa uppgifter i denna version av emissionsdatabasen (GIS-C 2001) och till denna rapport, utan detta får bli ett förbättringsarbete för framtiden. Även om utveckling har gått långsamt framåt, så är den allmänna bedömningen att de emissionsschabloner som finns (Alexandersson et al 1991) i de flesta fall ändå stämmer något så när väl. Den individuella skillnaden i emissioner till luft mellan olika fartyg är mycket stor, bl.a. beroende på fartygens ålder, motortyp, serviceintensitet på motorer, svavelhalt på oljan o.s.v. 34

50 En annan osäkerhet är att de uppgifter som erhållits från de olika aktörerna inte kan kontrolleras, utan här får jämförelser mellan olika rederier göras. Dessutom har några rederier inte lämnat tekniska uppgifter om deras båtar/färjor, trots påstötningar. En bedömd osäkerhet för sjöfarten som helhet är maximalt 40 %. I tabell 4.22 redovisas de bedömda felen per ämne. Det minsta felet är alltid 0 %, men i nedanstående redovisning har en skattning av det troligaste felet respektive felet för det värsta scenariot gjorts. Ämne Feluppskattning Feluppskattning för värsta scenariot % NO x 20 <40 CO 20 <40 CO 2 20 <30 VOC 20 <40 SO 2 20 <30 PM10 25 <50 Tabell Bedömning av det mest troliga respektive det största felet för varje ämne,

51 4.3 Flyg Inledning Emissioner från flyget genereras i huvudsak från de största flygplatserna i regionen. I databasen har utsläpp endast tagits med som sker inom den s.k. LTO-cykeln (landing and take off). Brytpunkten för LTO är ft eller ca 914 m. I flygplatsernas årsrapporter finns material för emissionsbeskrivningen för flygplatserna inom LTOcykeln samt information om transportverksamhet inom flygplatsen, så som bl.a. lastning, lossning av gods, taxning och tankning av flygplanen. Emissioner som sker där flygplanen kör i en normaldrift på hög höjd (6 000 till m) är inte medtagna i databasen. Skälet är att emissionerna på denna höjd har ringa betydelse för beräknade halter i marknivå (ca 2 m) och taknivå (ca 20 m) Metodik statistik/information Emissionsuppgifter kommer i huvudsak från miljörapporter från de enskilda flygplatserna (se tabell 4.23). Utsläppen från en flygplats har fördelats på två areakällor i två nivåer. Den lägsta nivån har en utsläppshöjd på 5 m och utsläppskällans areala begränsning är flygplatsområdet. Den andra nivån ligger på 100 m och den areala begränsningen är ett antal lober, som i huvudsak följer bullermattornas geografiska utbredning. Luftfartsverket kan inte ge något besked hur stort utbredningsområde som exakt skall utnyttjas. Utsläppsfördelningen har bedömts till 50 % i varje utsläppsnivå Utsläppskällor - flygplatser Till Skånedatabasen (GIS-C 2001) har emissionsdata för följande flygplatser samlats in: Sturup (Sturups flygplats 2002) Ängelholm (Ängelholms flygplats 2000) - avser civilt och militärt flyg Everöd Kristiandstad (Everöds flygplats 2001) Ljungbyhed (Ljungbyheds flygplats 2001) Kastrup (SMHI 2000) Emissionsdatan för Kastrup är tagen från en SMHI-rapport där informationen baseras på emissionsdata från 1996/97. Alla flygplatsemissioner har placerats på areakällan kring Kastrup. I tabell 4.23 listas de totala emissionerna för flygplatserna. 36

52 Flygplats Drivmedelsförbrukning (ton/år) NO x VOC CO 2 SO 2 CO PM10 Sturup Ängelholm Everöd <1 8 <1 Ljungbyhed i.u. 8 2 i.u. i.u. i.u. i.u. Kastrup i.u. 34 i.u. i.u. Tabell Emissioner av luftföroreningar i ton per år och drivmedelsförbrukningen i ton per år från flygplatserna i Öresundsregionen, Emissionerna för Kastrup avser 1996/97. i.u. = ingen uppgift Begränsningar och kvalitetsdiskussion I emissionsmodelleringen har bara utsläppen av luftföroreningar från flyget upp till 900 m, maskiner och annan transportutrusning på flygplatsen tagits med i databasen. Detta innebär att passerande flyg på hög höjd inte finns med i databasen. Denna emission är inte betydelselös för de totala emissionerna inom hela atmosfären, men har ingen större betydelse för luftkvaliteten i marknivå och detta är skälet till att emissioner av flyget på hög höjd inte är medtagen databasen. Felen avseende utsläppsmängder är svåra att beräkna, då siffermaterialet kommer från flygplatserna själva. Störta problemet är partikelutsläppen från flyget där det enligt Luftfartsverket inte finns några tillförlitliga schabloner. Det totala felet för emissionerna bedöms till max 20 %. Specifikt för partiklar (PM10) kan felen vara över 100 %. I tabell 4.24 redovisas de bedömda felen per ämne. Det minsta felet är alltid 0 %, men i nedanstående redovisning har en skattning av det troligaste felet respektive felet för det värsta scenariot gjorts. Ämne Feluppskattning Feluppskattning för värsta scenariot % NO x 20 <30 CO 20 <30 CO 2 20 < 30 VOC 20 <30 SO 2 20 <30 PM10 40 <100 Tabell Bedömning av det mest troliga respektive det största felet för varje ämne,

53 4.4 Järnväg Inledning Utsläppen av luftföroreningar från järnvägstrafiken kommer i huvudsak från användandet av diesellok vid transporter av gods eller persontrafik på linjer som inte är elektrifierade. Undantaget är uppvirvling av partiklar kring tågtrafiken, där eltågen också orsakar partikelemissioner. I många emissionsbudgetar beräknas också utsläpp från den elektrifierade trafiken, då det går att beräkna vad en utnyttjad KWh igenomsnitt eller på marginalen medför för emitterade luftföroreningar. Inom detta arbete med emissionsdatabasen i Skåne finns inga indirekta utsläpp från den elektrifierade tågtrafiken, utan bara emissioner som verkligen fysiskt sker Metodik statistik/information Uppgifter om emissioner, emissionsschabloner, statistik mm kommer från Banverket, Skånetrafiken, SIKA (Statens institut för kommunikationsanalys) och Naturvårdsverket. Emissionsschabloner kommer från VTI (VTI 2000) Godstransporter Det har varit svårt att få fram uppgifter om trafikflöden från dieselgodstransporter och därav har en enkel modell fått utnyttjats som beskriver att det passerar 10 godståg per dag på alla järnvägslänkar. Diesellok T44 Emissioner Emissioner Omräkningstabell g/kg(bränsle) g/kwh(motor) g/km * Drivmedel CO NO x 70 16,5 206 SO2 0,5 0,1 1 HC 2,8 0,7 8 CO 4,5 1,1 13 PM 1,8 0,51 5 Testcykel ECE R49 ECE R49 Ahlvik, MTC Ahlvik, MTC Källa Tabell Emissioner från diesellok T44 enligt VTI (VTI 2000). *) Bränsleförbrukningen är 2,94 kg/km enligt Nätverket för Transporter och Miljö (NTM 2003) 38

54 4.4.4 Persontransporter Persontrafiken med diesellok sker med Kustpilen, som går mellan Malmö Karlskrona och Helsingborg Karlskrona. Skånetrafiken via SJ har kunskap om de totala emissionerna som Kustpilen ger upphov till. Emissionsfördelningen mellan de olika sträckorna Helsingborg- Hässleholm, Hässleholm Karlskrona och Malmö Hässleholm har tilldelats lika stora utsläpp. Omräkning har gjorts från totalt utsläpp i ton per år till en emission per km utifrån den totala körsträckan (tågkilometer) per år för Kustpilen i Skåne och Blekinge. Den totala körsträckan för Kustpilen är km per år. Kustpilen CO 2 NO x SO 2 HC PM CO Emissioner i kg per år Tabell Totala emissioner av olika luftföroreningar 2001 från Kustpilen i Skåne och Blekinge (Skånetrafiken 2003) Begränsningar och kvalitetsdiskussion Utsläppen från godståg/diesellok är i ett helhetsperspektiv inte speciellt stora, men lokalt kring större bangårdar kan utsläppen ha en större betydelse. Osäkerheten i utsläppen är stor, då trafikintensitet på bangårdar och godstransporter är dåligt kända av Banverket, SJ och Green Cargo. Emissionsschabloner finns, men hur noggranna de är, är okänt. En bedömd osäkert av de totala emissionerna är i storleksordningen max 100 %. I tabell 4.27 redovisas de bedömda felen per ämne. Det minsta felet är alltid 0 %, men i nedanstående redovisning har en skattning av det troligaste felet respektive felet för det värsta scenariot gjorts. Ämne Feluppskattning Feluppskattning för värsta scenariot % NO x 30 <80 CO 30 <80 CO 2 30 <80 VOC 30 <80 SO 2 30 <80 PM10 50 <100 Tabell Bedömning av det mest troliga respektive det största felet för varje ämne,

55 4.5 Industri och större energi- och värmeproducenter Inledning Länsstyrelser och kommuner har på uppdrag från Naturvårdsverket fått i uppgift att samla in och sammanställa administrativ information och uppgifter om utsläpp från tillsynspliktiga A- och B-anläggningar via företagens miljörapporter. Denna insamling styrs av föreskrifter och lagar i miljöbalken (Miljöbalken 26 kapitlet :808). Informationen i miljörapporterna lagras i det sk. EMIR-registret (EMIssionsRegister), vilket bl.a. innehåller information om företaget, koordinater, verksamhet och emissionsuppgifter. I en del fall finns också uppgifter från C-anläggningar. A-, B- och C-anläggningar beskriver i huvudsak storleken på företagets påverkan på miljön, d.v.s. en A-läggning har större miljöpåverkan än en B-anläggning osv Metodik statistik/information Materialet till alla punktkällor i Skånedatabasen (GIS-C 2001) kommer från dels EMIR-registret och dels från de lokala databaserna i Malmö och Helsingborg. Dessutom har uppgifter från de största kolkraftverken på Själland erhållits från Danmark (länsstyrelsen, A Åkesson). De lokala källorna i Malmö och Helsingborg har erhållits från miljörapporter som kommit till de lokala miljökontoren. Datan från dessa miljörapporter har manuellt förts in i databasen. I en del fall har också företagen kontaktats direkt för att få information som kompletterar miljörapporten. Punktkällorna i de lokala databaserna innehåller oftast mer detaljerad information om bl.a. utsläppen, position på utsläppen (skorsten), skorstenshöjd, antal skorstenar, rökgashastighet, olika processer o.s.v, medan datan från EMIR-registret bara innehåller utsläppskoordinat, företag, branchkod och emissioner. Data som finns i EMIR-registret finns hos Länsstyrelsen i olika excel-filer. Dessa filer har kombinerats så dessa kan importeras direkt i databasen via import-/exportfunktionalitet Emissionsdata från punktkällorna Av de 500 punktkällorna från industrier och energi- och värmeanläggningar som finns i Skånedatabasen (GIS-C 2001) kommer de flesta från Länsstyrelsen (EMIR 2001). I Malmö och Helsingborg har databasen kompletterats med en del mindre punktkällor, samt att en del av uppgifterna för att beskriva punktkällan har kompletterats lokalt hos Miljöförvaltningarna. Emissionsuppgifterna beskriver i huvudsak utsläppen mellan åren 2000 och För den geografiska och främst fysiska beskrivningen, så som skorstenshöjd, rökgashastighet och rökgastemperatur, av de mindre punktkällorna från EMIR har en schablon använts. Denna schablon bygger på bedömning av de fysiska pararmetrarna. För de flesta av de större punktkällorna har fakta om den fysiska beskrivningen 40

56 inhämtats från respektive företag. I tabell 4.28 presenteras vilken schablon som utnyttjats. Skorstenshöjd (m) Skorstensdiameter (m) Rökgashastighet (m/s) Rökgastemperatur (grader Celsius) Tidsfördelning Standard, d.v.s. jämn fördelning av utsläppet över dygnet, veckan och året Tabell Schablon för de fysiska parametrarna till punktkällorna (industrianläggningar och större energi- och värmeproducenter) i Skånedatabasen GIS-C I dagsläget har bara NO x -, SO 2 -, CO 2 -, CO- och VOC- utsläppen från EMIR förts in i databasen, medan det för data från Malmö även finns andra utsläppsparametrar med i databasen. På sikt skall all emissionsinformation fyllas på databasen Begränsningar och kvalitetsdiskussion Generellt är materialet av hög kvalitet, och ett bedömt fel är under 10 %. Möjligen kan en del mindre industrier eller värmeanläggningar saknas i databasen. Vissa emissioner kan också vara inaktuella på grund av att data är för gammal. Att fånga de mindre anläggningarna som saknas i registren är ett tidsödande arbete och görs lättast i samarbete med miljökontoren i respektive kommun, där lokalkännedomen finns. En annan begräsning är att standardskorstensschabloner för de mindre anläggningarna har använts, vilket kan påverka emissionens spridningsmönster lokalt kring källan. I större skala är detta inget problem. I dagsläget är det bara kända emissioner som har införts i databasen, d.v.s. utsläpp från en industri av en utsläppsparameter som kan vara intressant ur denna inventerings synvinkel inte behöver redovisas av industrin, om inget det inte finns något krav från myndighet att redovisa utsläppet. Detta innebär att utsläppen underskattas om det inte inventeras eller redovisas i olika miljörapporter. För parametern partiklar kan det dessutom vara ett problem att företagen, som har lämnat uppgifter, ibland inte själva vet om det är total mängd stoft eller PM10 eller PM2,5 som döljer sig under parametern partiklar. Även CO-emissionerna verkar vara tveksamma, då mängderna är så pass små. I tabell 4.29 redovisas de bedömda felen per ämne. Det minsta felet är alltid 0 %, men i nedanstående redovisning har en skattning av det troligaste felet respektive felet för det värsta scenariot gjorts. Ämne Feluppskattning Feluppskattning för värsta scenariot % NO x 10 <20 CO 40 <80 CO 2 20 <30 VOC 20 <40 SO 2 10 <20 PM10 40 <80 Tabell Bedömning av det mest troliga respektive det största felet för varje ämne,

57 4.6 Småskalig uppvärmning Inledning Småskalig uppvärmning har på senare år uppmärksammas i främst larmrapporter om olika utsläpp av farliga luftföroreningar. I projektet BMH (biobränsle miljö och hälsa) i Energimyndighetens regi har bl.a. stora insatser gjorts för att få ett helhetsgrepp på den småskaliga förbränningen genom inventering av antalet källor och uppdaterade emissionsschabloner (Biobränsle Hälsa Miljö 2003). Emissionerna är utspridda över ett stort antal fastigheter. I Skåne år 2001 fanns det över olika förbränningsanläggningar i sotarregistret (Räddningsverket 2001), varav ca är oljeeldade pannor, ca fasteldade pannor och nästan mindre eldstäder, så som kakelugnar, kaminer och öppna spisar. De flesta av de fasteldade pannorna var vedpannor, men det fanns även pelletspannor under denna rubrik Metodik statistik/information Utgångspunkten för att beräkna fram emissionerna är sotarregistret för 2001 (Räddningsverket 2001) från Räddningsverket där de lokala sotarna i hela landet har rapporterat in vad det är för sorts värmepannor som används och hur ofta pannorna sotas. I tabell 4.30 finns en förteckning över olika pannor för varje kommun i Skåne. Oljeeldade värmepannor. Frist B Oljeeldade värmepannor. Frist D Olje-eldade värmepannor. Frist E Oljeeldade värmepanno r. Total antal Frist F olje-pannor Fastbränsleeldade värmepannor. Frist B Fastbränsleeldade värmepannor. Frist D Total antal fastbränsleeldade värmepannor Lokaleldstäder. Frist E Lokaleldstäder. Frist G Total antal lokaleldstäder Sotningsintervall 8 veckor 16/20 veckor 1 år 2 år 8 veckor 16/20 veckor 1 år 3 år Kommun / Län (antal kommuner) Antal objekt: Antal objekt: Antal objekt: Antal objekt: Antal objekt: Antal objekt: Antal objekt: Antal objekt: Antal objekt: Antal objekt: Antal objekt: C.1 D.1 E.1 F.1 A.1 B.1 G.1 H.1 Totalt i Sverige Skåne (33) Svalöv Staffanstorp Burlöv Vellinge Östra Göinge Örkelljunga Bjuv Kävlinge Lomma Svedala Skurup Sjöbo Hörby Höör Tomelilla Bromölla Osby Perstorp Klippan Åstorp Båstad , Malmö Lund Landskrona Helsingborg Höganäs Eslöv Ystad Trelleborg Kristianstad Simrishamn Ängelholm Hässleholm Tabell Antalet värmepannor i Skåne och per kommun för olika uppvärmningssätt och sotningsintervall. Utdrag ur sotarstatistik för Skåne, avser år 2001 (Räddningsverket 2001). 42

58 Utifrån schabloner på genomsnittlig förbrukning av olja och fastbränsle (oftast ved) kan totalförbrukning av bränsle räknas ut. Schablonen kommer från företaget ÄFAB i Lidköping och de sysslar med bioenergi och förbränningsteknik (ÄFAB 2004). De har också varit med i det tidigare nämnda BHM-projeket. Nedanstående schabloner har använts, se tabell Notera att under respektive panntyp finns information om hur ofta pannan skall sotas. Räddningsverket och sotningsväsendet benämner detta som en sk. Frist, som följs av en bokstavsbeteckning (B till G). Oljeeldade värmepannor. Frist B Oljeeldade värmepannor. Frist D Oljeeldade värmepannor. Frist E Oljeeldade värmepannor. Frist F Fastbränsleeldade värmepannor. Frist B Fastbränsleeldade värmepannor. Frist D Lokaleldstäder. Frist E Tabell Genomsnittlig förbrukning av bränsle för olika pannor (2003). *) enligt ÄFAB finns ingen bra schablon för de olika oljeeldade pannorna, utan de anser att man bör räkna utifrån en allmän genomsnittsförbrukning i landet. Lokaleldstäder. Frist G Sotningsintervall 8 veckor 16/20 veckor 1 år 2 år 8 veckor 16/20 veckor 1 år 3 år Uppskattad bränsleförbrukning per år enligt ÄFAB 3 m 3 * 3 m 3 * 3 m 3 * 3 m 3 * 25 m 3 12 m 3 8 m 3 2 m 3 I tabell 4.32 återfinns den totala bränsleförbrukningen för de fyra bränsleslagen, med utgångspunkt från ÄFABs schabloner för genomsnittlig bränsleförbrukning per år, enligt tabell 4.31 och antal pannor i tabell OLJA VED + PELLETS GAS Ved fastbränsle lokaledstäder summa (ton/år) summa (ton/år) summa (ton/år) summa (ton/år) Skåne (33 kommuner) Tabell Total förbrukad mängd bränsle i Skåne för småskalig uppvärmning,

59 I tabell 4.33 redovisas emissionsfaktorer för olika luftföroreningar och för värmepannor från SP Energiteknik (SP 2003). SO 2 NO x CO 2 CO VOC PM10 Bensen Miljögodkänd panna med ackumulatortank. Utgör 38 % av alla pannor. i.u Icke miljögodkänd panna med ackumulatortank. Utgör 4 % av alla pannor. i.u Icke miljögodkänd panna utan ackumulatortank. Utgör 58 % av alla pannor. i.u Viktat medelvärde utifrån de tre panntyperna: Miljögodkänd panna med ackumulatortank, icke miljögodkänd panna med ackumulatortank och icke miljögodkänd panna utan ackumulatortank i.u. 67, ,24 537,2 36,26 Lokaleldstäder i.u Oljepanna i.u i.u Tabell Emissionsschabloner i mg/mj för olika värmepannor, 2003 (SP 2003). i.u. = ingen uppgift För att omvandla emissionsfaktorerna i mg/mj till ton emission per ton bränsle användes värmevärde för olja, ved och pellets. Värmevärdet för olja är 43,1 MJ per kg bränsle, medan ved och pellets har ett värmevärde på 19,0 MJ per kg bränsle (Länsstyrelsen Västra Götaland 1993). Emissionsfaktorer för förbränning av gas och för svaveldioxid, för kolmonoxid vid oljeförbränning har erhållits från EDB för Väskusten och Göteborgsregionen 1993, vilka är svagt gråmarkerade i tabell 4.34 (Länsstyrelsen Västra Götaland 1993). Följande emissionstabell erhålls därmed: Emissionsfaktorer ton/ton SO 2 NO x CO 2 CO VOC PM10 Bensen Olja 0,002 0, , ,0005 0, , , Ved 0, , , , , , Lokaleldstäder 0, , ,228 0,0038 0, ,00209 Gas 0, ,002 0, Tabell Emissionsschabloner i utsläpp av ton föroreningar per ton bränsle (Länsstyrelsen Västra Götaland 1993 och SP 2003). 44

60 4.6.3 Emissioner i Skåne och geografisk fördelning Kombineras emissionsfaktorerna i tabell 4.34 med total mängd förbrukat bränsle i Skåne (tabell 4.33) erhålls följande emissioner från olika värmepannor för olika föroreningar: Emissioner i ton per år SO 2 NO x CO 2 CO VOC PM10 Bensen Olja 349,7 565, ,2 87,4 7,5 67,8 22,6 Ved 48,4 221,4 0, ,2 2161,9 1764,4 119,1 Lokaleldstäder 34,9 94,6 0, ,4 473,1 260,2 260,2 Gas 1,9 47,6 54,8 0,0 0,0 i.u. i.u. Summa 434,8 928, , ,1 2642,5 2092,4 401,9 Tabell Totala utsläppen av luftföroreningar i ton från småskalig eldning i Skåne Utsläppen har geografiskt fördelats enligt följande: Landsbygd = 1 Hav = 0 Tätort = 5 Ovanstående betyder att källstyrkan i tätorterna enligt Öresundskartans definition är fem gånger högre än på landsbygden, även om det per hushåll finns fler uppvärmningsanläggningar som genererar luftföroreningsutsläpp på landsbygd än i tätorten. Fördelningen är i dagsläget inte helt utredd och i diskussioner med olika myndigheter, bl.a. Statens provningsanstalt (SP), Räddningsverket och sotningsväsendet, lokalt som statligt har olika bedömningar gjorts. Skorstensfejaremästare Bengt Montan som är ansvarig för sotningen i fyra kommuner i Skåne (Skurup, Tomelilla, Simrishamn och Ystad) har lovat att titta på den geografiska fördelningen (landsbygd tätort) i de tillsynsregister som finns i dessa kommuner. Detta kommer att kunna vara en god vägledning till hur fördelningen i Skåne ser ut Begränsningar och kvalitetsdiskussion Begränsningen för de småskaliga uppvärmningskällorna är geografisk, då det saknas kunskap om var alla värmepannor finns och de därmed inte kan placeras på exakt rätt plats, utan istället fördelas emissioner ut enligt en modell. Modellen leder till att källstyrkan kan skattas som både för låg och för hög beroende på hur många objekt som finns per km 2. Emissionsschablonerna är de modernaste som i dagsläget finns, men det finns en mycket stor spridning kring dessa. Lokalt kan det finnas pannor som är både mycket sämre och mycket bättre ur emissionssynpunkt. Som helhet har detta ingen större betydelse, medan vid beräkning i mer lokala sammanhang, exempelvis i storleksordningen av villakvarter, kan dessa enskilda objekt ha en signifikant inverkan. Noggrannheten i sotarregistret är okänd, men tänkbart är att det finns med en del objekt som inte finns kvar, d.v.s. eldstaden är utbytt eller borttagen. Även nyinstallerade objekt kan saknas i sotarregistret. 45

61 Felet i emitterade totalmängder bedöms som ganska litet, möjligen upp till ca 20 % för de flesta föroreningsparametrar. Undantaget kan vara partiklar, där osäkerheten i emissionsschabloner är större. Felet på emissionerna i lokal skala, exempelvis i ett villakvarter kan däremot vara flera hundra procent. I tabell 4.36 redovisas de bedömda felen per ämne. Det minsta felet är alltid 0 %, men i nedanstående redovisning har en skattning av det troligaste felet respektive felet för det värsta scenariot gjorts. Ämne Feluppskattning Feluppskattning för värsta scenariot % NO x 15 <25 CO 15 <25 CO 2 15 <25 VOC 15 <30 SO 2 15 <25 PM10 35 <60 Tabell Bedömning av det mest troliga respektive det största felet för varje ämne,

62 4.7 Arbetsmaskiner, arbetsfordon och arbetsredskap Inledning Arbetsmaskiner och arbetsredskap innefattar en vid grupp olika maskiner och utrustningar som bl.a. finns inom jordbruket och skogsbruket. I gruppen ingår också entreprenörsmaskiner vid bygg och anläggning, samt motordrivna maskiner till hushållen, så som gräsklippare, trimrar m.m. Även lossnings- och lastningsutrustning till hamnarna innefattas Metodik statistik/information I Sverige finns det uppskattningsvis ca dieseldrivna arbetsfordon, samt bensin- och gasoldrivna. De flesta bensindrivna arbetsfordonen är snöskotrar. Det finns dessutom ca 2 miljoner arbetsredskap, varav 95 % är bensindrivna. Totalt finns det i Sverige ca 2,5 miljoner olika typer av arbetsmaskiner, arbetsfordon och arbetsredskap. Då antalet fordon/utrustning är så pass stort och dessa fordon rör sig över stora ytor är det svårt att beskriva källorna geografiskt och tidsmässigt. I stället används olika schabloner för att beskriva de totala luftföroreningsutsläppen och därefter fördelas utsläppen geografiskt. Uppgifter om de totala utsläppen kommer från en IVL rapport (IVL 1999). Emissionsuppgifterna baseras på uppgifter om fordonsstatisk och emissionsschabloner från IVL har delat upp arbetsfordon, arbetsredskap och arbetsmaskiner i 11 olika grupper, vilka listas nedan: Jordbruk Skogsbruk Hamnverksamhet Entreprenad Hushåll+ div industri och samhälle Järn- och stålindustri Gruvor Skogsindustrin Banverk Luftfartsverk Försvaret För järn- och stålindustri, gruvor, försvaret och skogsindustri har det bedömts att det inte finns några utsläpp i Skåne eller att utsläppen är så små att dessa kan bortses från. Från de 11 grupperna är emissionerna från Luftfartsverket redan medtagna i de emissioner som har erhållits från miljörapporter för respektive flygplats i Skåne (se kapitel 4.3). 47

63 Nedskalning av utsläppen från hela Sverige till Skåne har gjorts med olika metoder. Den vanligaste är att jämföra befolkningen i Sverige mot Skåne, en annan metod är att jämföra ytor. Statistiska uppgifter kommer från SCB:s hemsida (SCB 2001) och länsstyrelsen i Skåne (Länsstyrelsen 2001). I nedanstående beskrivning listas vilka jämförelsemetoder som utnyttjas för nedskalning av de nationella utsläppen till skånska utsläpp. Jordbruk jämförelser mellan åkerarealen och antal jordbruksarbetare i Skåne och totala värden för Sverige I båda fallen är den 15 %. Skogsbruk jämförelse mellan skogsarealen i Skåne och Sverige 2001, vilken är 2 %. Hamnverksamhet Entreprenad jämförelse mellan mängd gods som hanteras i hamnarna i Skåne och den totala godsmängden i Sverige 2002, vilken är 17 %. Dessa 17 % har sedan fördelats ut på de största skånska hamnarna med samma metod. Undantaget är Trelleborgs hamn där utredning av Trivecktor (Trivecktor, 2003) användes för emissionsbeskrivning. jämförelse utifrån befolkningsstatistik 2001 i Skåne och Sverige, vilken var 13 %. Hushåll + div industri och samhälle jämförelse utifrån befolkningsstatistik 2001 i Skåne och Sverige, vilken var 13 %. Banverket jämförelse utifrån befolkningsstatistik 2001 i Skåne och Sverige, vilken var 13 %. 48

64 4.7.3 Emissioner i Skåne och geografisk fördelning De totala emissionerna i Sverige och Skåne återfinns i tabell 4.37 nedan (ton per år). CO VOC NO x PM10 SO 2 CO 2 Jämförelse Jordbruk Sverige Skåne Åkerareal och jordbruksarbetare Skogsbruk Sverige Skåne < Skogsareal Hamnverksamhet Sverige Skåne < Godsmängder Ystad Godsmängder Helsingborg Godsmängder Malmö Godsmängder Trelleborg * Godsmängder Trelleborg (egna uppgifter) 1,5* 0,5* 33* i.u * OBS, hamnens egna uppgifter. Entreprenad Sverige Skåne Befolkningsstatistik Hushåll + Sverige div industri och samhälle Skåne Befolkningsstatistik Banverket Sverige Skåne Befolkningsstatistik Tabell Emissioner från arbetsmaskiner m.m. uppdelat på olika branscher, i Sverige och Skåne, *) dessa uppgifter har använts som emissionsdata i Skånedatabasen GIS-C Den geografiska fördelningen är gjord med ett gridnät för Skåne med en storlek på 1000 gånger 1000 m för de flesta branscher. Undantaget är hamnverksamhet där ett lokalt grid (100x100m) för endast området kring hamnarna utnyttjats. Följande geografiska fördelningsmodell har utnyttjats: Jordbruk Skogsbruk Hamnverksamhet Entreprenad utsläppen har fördelats jämnt på all yta som klassats som jordbruksmark i Skåne, d.v.s. inga utsläpp i skog, i tätort eller i sjöar. utsläppen har fördelats jämnt på all skogsmark i Skåne. utsläppen har fördelats jämnt över ett område kring hamnarna. Områdets storlek är visuellt bedömt, utifrån stadskartor. utsläppen har fördelats på all landyta i Skåne, med en fördelning där det är 20 ggr högre utsläpp i tätort än på landsbygd. 49

65 Hushåll + div industri och samhälle Utsläppen har fördelats på all landyta i Skåne, med en fördelning där det är 20 ggr högre utsläpp i tätort än på landsbygd. Banverket Utsläppen har visuellt fördelats kring bangårdarna i de större städerna i Skåne Begränsningar och kvalitetsdiskussion Ingående data baseras på detaljrik statistik och inventeringar för olika branscher. Kvaliteten på emissionsschabloner som använts av IVL är okänd. De nedskalningar som gjorts för att applicera den nationella datan till Skåne har också ett fel. Helst skulle IVL ha gjort dessa med samma utgångspunkt som för beräkningen för hela Sverige. Då detta inte gjorts får ovanstående resultat accepteras. Ett bedömt fel i utsläppen som helhet i Skåne är i storleksordningen 20 och som maximalt 40 %. På grund av det sätt som emissionerna geografiskt fördelats kan felet lokalt vara flera hundra procent. I tabell 4.38 redovisas de bedömda felen per ämne. Det minsta felet är alltid 0 %, men i nedanstående redovisning har en skattning av det troligaste felet respektive felet för det värsta scenariot gjorts. Ämne Feluppskattning Feluppskattning för värsta scenariot % NO x 20 <35 CO 20 <40 CO 2 20 <35 VOC 20 <40 SO 2 20 <35 PM10 20 <50 Tabell Bedömning av det mest troliga respektive det största felet för varje ämne,

66 4.8 Emissioner på Själland Inledning En stor emissionskälla som måste tas med för att kunna göra högkvalitativa spridningsberäkningar i Skåne, och framförallt i västra Skåne, är emissionerna från Själland. Själland har en befolkning på drygt 1,5 miljoner invånare. Där finns fyra mycket stora kolkraftverk som generar stora emissioner. Alla dessa emissioner som denna stora tätortsregion ger upphov till påverkar inte bara luftkvaliteten i det egna området utan sprider sig över nationsgränsen och påverkar luftkvaliteten i Södra Sverige. Datamaterialet från Själland behandlas inte på samma sätt som de enskilda källbeskrivningarna i Skåne (vägar, sjöfart o.s.v.) ur bl.a. diskussionshänseende, då den primära emissionsinventeringen har varit att samla in data i Skåne Metodik statistik/information Det mesta av emissionsmaterialet som har använts kommer från Länsstyrelsen i Skåne (SMHI 2000), och har sitt ursprung i en emissionsinventering som gjordes Emissionsuppgifterna i rapporten har efter diskussion med Länsstyrelsen i Skåne justerats till att gälla utsläpp för år Emissionsdatan omfattar i huvudsak ämnet NO x och i en del fall SO 2 och VOC, dock inte partiklar (PM10) Emissioner och geografisk fördelning I nedanstående avsnitt redovisas hur stora utsläppen från Själland är och vilken geografisk fördelning som utnyttjats. Det finns fyra stycken punktkällor på Själland i databasen. Dessa fyra är alla stora kolkraftverk, med omfattande emissioner. Dessa fyra kraftverk är: NO x Ton per år Amagerverket 3447 Asaesverket 5910 Avedonverket 978 Stignaesverket 2337 Tabell NO x -emissioner från de största kolkraftverken på Själland för år 2000 (OPSIS, 2004). Några linjekällor finns det inte i databasen för Själland, då vägtrafiken har fördelats som gridkällor, se tabell Det finns en areakälla och det är Kastrups flygplats. Denna finns redovisad i kapitlet 4.3 (flyg). 51

67 I emissionsinventeringen som gjordes 1997 av Länsstyrelsen (SMHI 2000) fanns det ett antal emissionskällor som har fått betraktas som gridkällor i brist på detaljkunskap om utsläppen lokalisering m.m. I tabell 4.40 har de totala emissionerna för sju olika källtyper listats för svaveldioxid och kväveoxider, samt vilken geografisk fördelningsmetod som utnyttjats. SO 2 NO x Geografisk fördelning Huvudstadstrafik Enbart över tätorterna Arbetsfordon Jämnt över hela Själland Arbetsredskap Enbart över tätorterna Småskalig Jämnt över hela Själland uppvärmning Rekreation Enbart över tätorterna Övriga Enbart över tätorterna punktkällor Övrig trafik Enbart över tätorterna och längs med de större vägarna 4.40 Totala utsläppen svaveldioxid och kväveoxider fördelat som gridkällor på Själland (SMHI 2000) i ton per år Begränsningar och kvalitetsdiskussion Kvaliteten på emissionsunderlaget för Själland är osäker. Grundmaterialets ålder är ca 7 år. Dessutom kan det konstateras att utsläppen från Själland är betydligt större än från Skåne/Sverige. Sedan våren 2004 har Köpenhamns kommun startat ett arbete med att inventera och dokumentera alla emissionskällor i Köpenhamnsområdet. Detta kommer under närmaste åren ev. kunna utnyttjas i Skånedatabasen, genom ett ömsesidigt utbyte av emissionsdata. Förhoppningsvis kommer Köpenhamnsprojektet också att leda till att data för hela Själland kommer att uppdateras så väl kvantitativt som kvalitativt. 52

68 5. Sammanfattande resultat 5.1 Resultat från emissionsdatabasen Resultatet från databasen redovisas nedan uppdelat på olika areella fördelningar, totala utsläpp, utsläpp fördelat per bransch och utsläpp fördelat per kvadratkilometer eller invånare. De olika redovisningsformerna kompletterar varandra och gör det bl.a. lättare att jämföra resultat från andra emissionsinventeringar, och kan därmed vara till hjälp för andra som arbetar med emissionsdatabaser i Sverige och utomlands Totala utsläppen av olika luftföroreningar i Skåne De totala utsläppen av luftföroreningar redovisas i figurerna 5.1 till 5.7. Den första figuren 5.1 beskriver Skånes totala utsläpp av olika föroreningar. Observera att koldioxidutsläppen är angiven i kiloton per år. Totala skånska utsläppen av några luftföroreningar ton per år NOx VOC CO CO2 PM10 SO2 Figur 5.1. De skånska luftföroreningsutsläppen 2001 av NO x, VOC, CO, PM10 och SO 2 i ton per år, utom för CO 2 där enheten är kiloton per år från GIS-C

69 I de sex figurerna redovisas utsläppen av olika luftföroreningar fördelade på olika utsläppskällor NO x -utsläpp i Skåne 2001 (ton per år) Vägar Sjöfart Arbetsmaskiner Flyg Järnväg Industri Energiproduktion Småskalig uppvärmning Övrigt Figur 5.2. Kvävedioxidutsläppen (NO x ) från Skåne 2001, med källfördelning, från GIS-C PM10-utsläpp i Skåne 2001 (ton per år) Vägar Sjöfart Arbetsmaskiner Flyg 378 Järnväg Industri Energiproduktion Småskalig uppvärmning Övrigt 0 Figur 5.3. Partikelutsläppen (PM10) från Skåne 2001, med källfördelning, från GIS-C

70 S0 2 -utsläpp i Skåne 2001 (ton per år) Vägar Sjöfart Arbetsmaskiner Flyg Järnväg Industri Energiproduktion Småskalig uppvärmning Övrigt Figur 5.4. Svaveldioxidutsläppen (SO 2 ) från Skåne 2001, med källfördelning, från GIS-C VOC-utsläpp i Skåne 2001 (ton per år) Vägar Sjöfart Arbetsmaskiner Flyg Järnväg Industri Energiproduktion Småskalig uppvärmning Hushåll Figur 5.5. Utsläppen av flyktiga organiska ämnen (VOC) från Skåne 2001, med källfördelning, från GIS-C

71 CO-utsläpp i Skåne 2001 (ton per år) Vägar Sjöfart Arbetsmaskiner Flyg Järnväg Industri Energiproduktion Småskalig uppvärmning Övrigt Figur 5.6. Kolmonoxidutsläppen (CO) från Skåne 2001, med källfördelning, från GIS-C CO 2 -utsläpp i Skåne 2001 (ton per år) Vägar Sjöfart Arbetsmaskiner Flyg Järnväg Industri Energiproduktion Småskalig uppvärmning Övrigt Figur 5.7. Koldioxidutsläppen (CO 2 ) från Skåne 2001, med källfördelning, från GIS-C Noterbart är att emissionerna från trafiken och transporter, d.v.s. vägar, sjöfart, arbetsmaskiner, flyg och järnväg, dominerar de totala utsläppen av kväveoxider, flyktiga organiska ämnen, kolmonoxid och koldioxid. För partiklar och svaveldioxid däremot utgör trafik och transporter en något mindre andel av de totala utsläppen. Där domineras utsläppen av industrin och energisektorn, d.v.s. småskalig och storskalig 56

72 produktion. Databasen innehåller bara avgasemitterade partiklar från trafiken men därmed inga uppvirvlade partiklar (resuspension). Detta leder till betydligt lägre partikelemissioner från trafiken än vad som egentligen är fallet. Anledningen till att resuspensionen inte tagits hänsyn till är att kunskapen om storleken på resuspensionen är osäker för södra Sverige. All kunskap om resuspension baseras på mätningar i Stockholm på Hornsgatan. Då klimatologiska faktorer i Skåne skiljer sig avsevärt från Stockholm och att mätningarna i fråga om tidstrender och halter skiljer sig betydande, måste slutsatsen bli att resuspensionen i bl.a. Skåne är osäker. Trafik och transporters procentuella andel av de totala utsläppen 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% NOx VOC CO CO2 PM10* SO2 Figur 5.8. Trafikens och transporternas procentuella andel av de totala utsläppen i Skåne, GIS-C * resuspensionen av partiklar i PM10-stapeln från trafiken saknas. 57

73 5.1.2 Areella utsläppen i Skåne I figur 5.9 redovisas ett exempel på den areella fördelningen av kväveoxider (NO x ) i Skåne i en upplösning på 1000x1000 m. Utsläppen är som störst i och kring de större städerna och längs med europavägarna, medan emissionerna i de glesare befolkade skogsbygderna i norra Skåne är betydligt lägre. Sjöfarten i de större hamnarna syns också tydligt. Fig Utsläpp av kväveoxider (NO x ) i Skåne per kvadratkilometer i kg per år, från GIS-C 200 Figur Utsläpp av kväveoxider (NO x ) i Skåne per kvadratkilometer i kg per år, från GIS-C Skånes landarea är km 2. I tabell 5.8 redovisas de totala emissionerna, samt genomsnittlig emission i kg per kvadratkilometer landyta och år. Totala emissionerna i Skåne (ton/år) Emission per kvadratkilometer (kg/km 2 o NO x VOC CO CO 2 PM10 SO år) Tabell 5.8. De totala emissionerna i Skåne i ton per år och fördelning per kvadratkilometer i kg per år, baserat på data från GIS-C

74 5.1.3 Utsläppen fördelade per invånare I Skåne finns det 1,137 miljoner invånare 2001 enligt Länsstyrelsens (Länsstyrelsen 2004). De totala utsläppen i Skåne fördelade per invånare och år återfinns i tabell 5.9. Totala emissionerna i Skåne (ton/år) Emission per invånare (kg/år) NO x VOC CO CO 2 PM10 SO ,4 22,3 130, ,1 2,6 4,5 Tabell 5.9. De totala emissionerna i Skåne och fördelning per invånare i kg per år, från GIS-C Det totala svenska utsläppet år 2001 av NO x är 250,68 kiloton enligt SMED. Fördelas detta utsläpp på Sveriges ca 8,91 miljoner invånare (SCB 2001) fås 28,1 kg/svensk medborgare och år, vilket kan jämföras med det skånska som är 28,4 kg per år Resultat från beräkningar I resultaten som redovisas nedan har beräkningar av kvävedioxid gjorts med utgångspunkt från allt material i databasen. Anledningen till att endast kvävedioxid har använts är att det är för denna parameter i Skåne som det föreligger problem med att uppfylla miljökvalitetsnormerna och därigenom är den mest intressant att göra studie på. Vid alla nedanstående beräkningar har detta gjorts utifrån receptorpunktberäkningar, med en tidsserie, vilken oftast har varit ett helt kalenderår. Resultaten är uppdelade i bakgrundsberäkningar, d.v.s. en form av belastning av luftföroreningar på Skåne, som har sitt ursprung utanför beräkningsområdet samt validering av beräkningar jämfört uppmätta halter i främst urban bakgrundsmiljö. Dessutom har validering av databasen gjorts, med hjälp av en tidsseriestudie, och till sist en jämförelse mellan hur bra beräknade halter är jämfört med uppmätta halter vid olika långa tidssteg Bakgrundsberäkningar Vid bakgrundsberäkningar av kvävedioxid användes sju mätplatser spridda på Skånes landsbygd. Bakgrundshalter kan även benämnas som långtransporterade halter, vilket ibland förkortas LRT (Long Range Transport). Jämförelse mellan uppmätt och beräknad halt har gjorts, vilket redovisas i figur Notera att differensen eller bakgrundshalten för kvävedioxid har en gradient åt norr, med knappt 1 µg/m³ mellan södra och norra Skåne eller från ca 3 µg/m 3 i södra Skåne till ca 2 µg/m 3 i norra Skåne. I figur 5.11 redovisas SMHIs MATCH-Sverige modellens beräknade långtransporterade kvävedioxidhalter (Persson et al, 2004). De beräknade kvävedioxidhalterna i Skåne var mellan 2,0 och 3,3 µg/m 3. Detta resultat stämmer mycket väl överens med den beräknade skillnaden avseende uppmätta och beräknade halter 59

75 med Skånedatabasen (GIS-C 2001). Notera att beräknad differensen med GIS-C 2001 skiljer sig för Allerum jämfört med de andra platserna. Olika analyser har gjorts för att utröna vad som gör att differensen för Allerum skiljer sig jämfört med de andra beräknade differenserna. Liten differens, som med fallet Allerum, innebär antingen för låga uppmätta halter eller för höga beräknade halter. Då mätutrustningen är densamma på alla stationer, utom en (Vavihill), så är det mest troliga att beräknade halter är något för höga i jämförelse med de andra beräknade halterna. Vid komponentanalys av beräkningarna erhålls det största bidraget från sjöfarten och de danska källorna. Tillsammans stod de för nästan 70 % av beräknade halter. Då utsläppen från de danska källorna är förenklade avseende såväl geografisk upplösning som tidsmässig, så kanske en del av förklaringen ligger i denna förenkling. Dessutom är den internationella sjöfarten som passerar igenom Öresund baserad på en typ av fartyg, samt att det saknas statistisk fördelning avseende den rumsliga och temporala upplösningen. Denna osäkerhet kan också medverka till det avvikande resultatet. Figur Beräknad genomsnittlig bakgrundshalt i µg/m 3 av NO 2, som differensen mellan uppmätt och beräknad halt för sju platser/mätstationer i Skåne Figur Beräknad bakgrundshalt av NO 2 med MATCH-Sverige modellen. Enhet µg/m 3. LRT= lång transporterat bidrag. 60

76 De genomsnittligt uppmätta halterna ( ) varierar geografiskt relativt kraftigt, där de högsta halterna uppmätts i nordvästra delarna av Skåne (Allerum), medan de lägsta halterna återfinns i nordöstra Skåne, se figur Figur 5.12 Uppmätta medelhalter av kvävedioxid för de sju bakgrundsstationerna i Skåne under perioden Enhet är µg/m Validering Valideringsstudien har jämfört uppmätta och beräknade kvävedioxidhalter för 12 orter med 14 mätutrustningar under perioden 1999 till I tabell 5.11 och 5.12 redovisas all information om mätplatser och uppmätta och beräknade kvävedioxidhalter, som medelvärde för respektive mät/beräkningsperiod. Resultatet visar en mycket god överensstämmelse mellan uppmätta och beräknade halter. Felet mellan uppmätta och beräknade halter var ca 10 % och en korrelation mellan uppmätta och beräknade halter var 0,96. På de platser där sjöfarten finns i närheten av mätstationen kan det noteras att beräknade halter var högre än uppmätta halter. Mycket tyder på att de emissionsfaktorer som används för sjöfarten överskattar utsläppen av främst NO x. Observera att för beräkningarna med spridningsmodell inkluderas den tidigare framräknade bakgrundhalten i Skåne. 61

77 Plats/ort Namn X ** Y ** Höjd Datatillgång Upplösning Mätmetod över mark Burlöv Rådhuset /2000 dygn Aktiv pump teknik Helsingborg Norr x1: y1: och timme DOAS* sträcka 4 x2: y2: Söder x1: y1: och timme DOAS* sträcka 2 x2: y2: Hässleholm /2000 dygn Aktiv pump teknik Höganäs /2002 dygn Aktiv pump teknik Hörby /2001 dygn Aktiv pump teknik Kävlinge /2001 dygn Aktiv pump teknik Landskrona Sträcka 1 x1: y1: timme DOAS* x2: y2: Lund x1: x2: y1: y2: och 2001 timme DOAS* Malmö Rådhuset , 2001 och 2002 timme Aktiv Chemiluminescence teknik DOAS* Fosie x1: x2: y1: y2: , 2001 och 2002 timme Osby /2000 dygn Aktiv pump teknik Trelleborg Rådhuset /2000, dygn Aktiv pump 2000/2001 teknik och 2001/2002 Örkelljunga /2002 dygn Aktiv pump teknik Tabell Grundinformation om valideringsplatserna. * DOAS = Differential Optical Absorption Spectroscopy ** X- och Y-koordinaterna är i det svenska koordinatsystemet RT 90. Tätort Name Uppmätta halter * (µg/m 3 ) Beräknade halter ** (µg/m 3 ) Differens (skillnad mellan beräknad och uppmätt halt) (µg/m 3 ) Procentuell skillnad (absolut) Burlöv Rådhuset ,0 2,2 12,4 % Helsingborg Norr sträcka ,2 4,4 20,2 % Söder sträcka ,1 0,9 5,6 % Hässleholm , ,0 % Höganäs ,8 1,4 13,8 % Hörby ,8 0,4 4,1 % Kävlinge ,1 0,5 3,7 % Landskrona Sträcka ,3 0,2 1,1 % Lund ,0 1,2 8,6 % Malmö Rådhuset ,2 0,1 0,5 % Fosie ,8 2,8 18,7 % Osby ,0-0,9 9,1 % Trelleborg Rådhuset ,5 7,9 33,5 % Örkelljunga ,9-0,2 1,5 % Medelvärde 10,4 % * de uppmätta halter är ett medelvärden för perioden som presenterats i tabell ** de beräknade halterna är ett medelvärden för perioden som presenterats i tabell Tabell Uppmätta och beräknade halter för de 14 mätplatserna på de 12 orterna

78 35,0 30,0 25,0 Calculated NO 2 value( µ g/m 3 ) 20,0 15,0 10,0 5,0 0,0 0,0 5,0 10,0 15,0 20,0 25,0 30,0 Measured NO 2 value (µg/m 3 ) Figur Uppmätta kvävedioxidhalter plottade mot beräknade halter, för de14 mätplatserna på de 12 orterna Enhet µg/m³ Validering genom tidsserieanalys En av analyserna med EDB:n och spridningsmodellen var att jämföra beräknade halter med uppmätta halter timme för timme. I detta fall bestämdes det att jämförelsen skulle göras för 2003 och 2004 i Malmö, med mätdata från stationen Rådhuset. Denna station är placerad i taknivå i centrala delarna av Malmö och bedöms beskriva halterna i den urbana bakgrunden. I nedanstående figur 5.14 visas ett utsnitt av de två årens beräknade kvävedioxidhalter timme för timme jämfört med uppmätta halter för samma period. Noterbart är att de stora dragen stämmer mycket väl överens med varandra, medan de mindre detaljerna för enskilda timmar stämmer sämre överens. Korrelationskoefficienten (r) för dessa två år var 0,52 för kväveoxider (NO x ) och 0,53 för kvävedioxid (NO 2 ). 63

79 µg/m³ calculated measured jan jan jan jan feb 7 Figur Beräknade och uppmätta kvävedioxidhalter på Rådhuset i Malmö för ca 6 veckor Enhet µg/m³ Korrelation för medelvärdesbildning vid olika långa tidssteg Jämförelser har gjorts mellan beräknade och uppmätta kvävedioxidhalter för olika långa medelvärdesperioder. Det kan konstateras att ju längre medelvärdeperioden har varit vid beräkningarna, desto bättre överensstämmelse mellan uppmätta och beräknade halter. Detta har bl.a. beskrivits i projektet EXPOSE (Tinnerberg 2006). När tidslängden för medelvärdebildningen ökas från timme till dygn förbättras korrelationskoefficienten (r) från 0,53 till 0,71. Ökas tidslängden till vecka blir korrelationskoefficienten 0,93 och för årsmedelvärden ökas den till 0,96. I figur 5.15 beskrivs denna förbättra korrelationskoefficientutveckling avseende tidslängden på medelvärdebildningen. r korrelationskoefficient 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 1 hour 2 month 2 month 4 month 5 month 6 month 7 month 8 month 9 month 10 month 11 month 11 month 12 month tidslängden på medelvärdesbildningen Figur Korrelationskoefficientutveckling avseende tidslängden på medelvärdebildningen. 64

80 5.2.5 Areell beräkning av NO2 I figur 5.16 redovisas areellt beräknade halter av kvävedioxid för Skåne 2003 inklusive delar av de omgivande områdena runt Skåne, med en upplösning på 250 gånger 250 meter. Hänsyn är tagen till tidigare beräknade bakgrundshalter. I figur 5.16 syns de större orterna samt vägnäten tydligt. Noterbart är att sjöfartens utsläpp, de tydliga röda haltspåren till havs, inte ger någon större effekt på halterna inåt land. Undantaget från detta är främst Helsingborg och delvis Trelleborg och Ystad. Utsläppen från Köpenhamn kan också tydligt noteras. Ur beräkningen går det också att utläsa att kvävedioxidhalterna i Skåne är som lägst i nordost. Figur Beräknade kvävedioxidhalter (NO2) i delar av Öresundregionen Enhet µg/m³. 65

81 6. Diskussion 6.1 Felkällor Under drygt ett års tid har bl.a. emissionsdata, statistik och emissionsschabloner från ca olika utsläppskällor av luftföroreningar samlats in. Datamängden är omfattande och bygger i huvudsak på den sk. Buttom up principen, d.v.s. att emissionskällorna för Skåne är uppbyggda av mindre lokala emissionskällor. Genom att varje emissionskälla är uppbyggd av mindre enheter, så innebär detta en större noggrannhet i varje delmoment, som därigenom minimerar osäkerheterna för emissionerna ur ett helhetsperspektiv. Fel och felkällor finns dock i varje moment, och summan av alla fel är svåra att överblicka. I delkapitlen under kapitel 4 Emissioner i databasen (metodik och delresultat) har en skattning av osäkerheter och felkällor gjorts för varje emissionskälla. I nedanstående tabell (6.1) redovisas en sammanfattning av osäkerheterna för kväveoxider, hur stor del av den totala emissionen de olika emissionskällorna utgör och en normerad felbedömning (storleken på felet i förhållande till den totala emissionen) av de olika emissionskällorna. Det bedömda felet i emissionsbeskrivningen avser dels det mest troliga scenariot dels ett värsta scenario. Emissionskällor Bedömd storlek på felet i emissionsbeskrivningarna (se kapitel 4) Procentuell storleksfördelning på den totala kväveoxidemissionen för olika källtyper Normerad felbedömning för det mest troliga och värsta scenariot (Storlek på felet i förhållande till de totala emissionerna) Feluppskattning Feluppskattning värsta scenariot Feluppskattning Feluppskattning värsta scenariot 4.1 Vägtrafiken 10 % <20 % 45,0 % 4,5 % <9,0 % 4.2 Sjöfarten 20 % <40 % 18,7 % 3,7 % <7,5 % 4.3 Flyget 20 % <30 % 0,4 % 0,1 % <0,1 % 4.4 Järnväg 30 % <80 % 2,1 % 0,6 % <1,7 % 4.5 Industri och 10 % <20 % 8,3 % 0,8 % <1,7 % större energi- och värmeproducenter 4.6 Småskalig 15 % <25 % 5,9 % 0,9 % <1,5 % uppvärmning 4.7 Arbetsmaskiner, 20 % <35 % 19,3 % 3,9 % <6,8 % arbetsfordon och arbetsredskap Summan av alla delfelen 15 % <28,2 % Tabell 6.1. Beskrivning av de bedömda delfel för respektive emissionskälla, procentuell storlek på den totala emissionen och felet i förhållande till den totala emissionen. 66

82 Kontentan av ovanstående resonemang är att det mest troliga felet i hela databasen avseende kväveoxider (NO x ) är nästan 15 %. För ett värsta scenario kan felet vara nästan 30 %. Denna analys kan göras på samma sätt för de andra ämnena och detta är gjort och summerade felen redovisas i figur 6.1 nedan. Det kan noteras att det största felet föreligger för partiklar (PM10) där det mest troliga felet är nästa 35 % och felet för det värsta scenariot är 65 %. Felet i % för det mest troliga fallet och det värsta scenariot % Mest troliga felet Värsta scenariot NOx VOC CO CO2 PM10 S02 Figur 6.1. Beskrivning av felen för de sex olika luftföroreningarna, från databasen GIS-C Blå stapel avser det mest troliga felet och violett stapel avser felet för det värsta scenariot. Sammanfattningsvis kan det konstateras att det skattade totala felet för hela databasen och alla ämnen är +/-15 till +/-35 %. I de första beräkningarna av luftföroreningar avseende NO 2 för hela Skåne jämfört med uppmätta halter på ett 20-tal ställen, så visar det sig att felet i genomsnitt ligger på ca 20 %. Någon liknande analys för de andra ämnena har ännu inte gjorts, så det är för tidigt att säga något definitivt om felen för de andra luftföroreningsparametrarna. Observera att jämförelsen mellan uppmätta och beräknade halter inte är något exakt mått på felen i emissionsdatabasen. Andra fel/osäkerheter introduceras så som fel i spridningsmodellen och fel i uppmätta halter. Dessa skattningar gör det vanskligt att göra den direkta jämförelsen mellan uppmätta och beräknade halter. Felen varierar med olika källtyper och felen har ju inte alltid samma tecken. I många fall kan man räkna med att en del fel tar ut varandra. Denna skattning är inte helt lätt att motivera, utan detta baseras på erfarenhet från byggnation och uppdateringar av tidigare databaser. Partiklar är ex. ett ämne där osäkerheten är relativt stor. Det finns flera exempel på enskilda emissionskällor där kunskap om partikelemissioner är mer eller mindre okänd. Dessa är bl.a. trafiken, flyget och industrin. Dessutom saknas partiklar som uppkommer genom kemisk förening i atmosfären och meteorologiska effekter, exempelvis uppvirvling av damm, havssalter mm på grund av vinden. 67

83 I nedanstående text sammanfattas de fel som diskuterats i delkapitel 4.1 till 4.6. Vägtrafik Sjöfart Flyget Järnväg Då vägtrafiken är en stor emissionskälla är naturligtvis fel i schabloner, trafikflöden eller andra modellbeskrivningar av avgörande betydelse för de skattade totala och lokala emissionerna. Som tidigare diskuterats under kapitlet 4.1 Vägtrafik kan det konstateras att de emissionsschabloner som utnyttjats är två år äldre än de som egentligen borde användas, d.v.s. schablonerna ger för låga emissioner i jämförelse med vad som borde användas vid beräkningar. Naturligtvis kan det vara spridningsmodellerna (AERMOD och OSPM) som är felaktiga och ger upphov till ovanstående fel. Andra felkällor som har betydelse är flödesfördelningen mellan personbilar, bussar, lastbilar utan släp och med släp på respektive väglänk. En stor osäkerhet finns avseende vad för sorts statistiska schabloner som ett passerande lastfartyg bör tilldelas, då det saknas sådan statistik. De använda emissionsschablonerna är dessutom från slutet av 80-talet. Varje fartyg bör alltid behandlas individuellt. Skillnaderna mellan olika fartyg är mycket stor på grund av ålder på fartyget, motortyp, serviceintensitet på motorer, svavelhalt på oljan o.s.v. För flyget ser det ut att vara partiklarna som är den största osäkerheten. Dessutom finns det en lokal geografisk osäkerhet kring och på flygplatsen var emissionerna uppkommer. Som tidigare nämnts är det bara emissioner upp till 900 m över markytan som tagits med i databasen, d.v.s. emissionerna för de passerande flygplanen på högre höjder saknas. Trafikintensiteten på järnvägsnätet är i dagsläget okänd, vilket orsakar stor osäkerhet. Dessutom saknas det kunskap om trafikintensitet på bangårdarna. Industrier, värme- och energianläggningar Småskalig uppvärmning En del mindre industrier eller värmeanläggningar saknas i databasen. Vissa delar av materialet är gammalt. I dagsläget är det bara kända NO x -, VOC-, CO 2 -, SO 2 -, CO- och partikelemissioner som har införts i databasen. Det finns utsläpp av ovan nämnda parametrar som inte inventerats eller redovisats i olika miljörapporter. Framförallt är kunskapen om partikelutsläppen dålig. Noggrannheten på den totala emissionen från småskalig uppvärmning får anses god, men begränsningen är i huvudsak fördelningen av emissionerna geografiskt, då det i dagsläget inte finns några register som exakt beskriver vilket uppvärmningssystem som respektive 68

84 hushåll har. Det planeras dock att samköra olika register, vilket skulle kunna underlätta detta. Arbetsmaskiner och arbetsredskap Kvaliteten på ingående data baseras på detaljrik statistik och inventeringar för olika branscher. Kvaliteten på emissionsschabloner som använts av IVL är okänd. De nedskalningar som gjorts för att applicera den nationella datan till Skåne är inte helt tillförlitliga och påverkar de totala utsläppen för Skåne och de lokala utsläppen. Den geografiska och tidsmässiga fördelningen av de totala utsläppen i Skåne påverkar källstyrkan i den lokala miljön. Detta innebär att källstyrkan oftast är för låg där det sker aktivitet med arbetsmaskiner, vid exempelvis något vägbygge. Emissioner från hushåll finns inte med i emissionssammanställningen i denna rapport. För VOC är det betydelsefullt att ta med denna emission. Detta antagande bygger på Naturvårdsverkets sammanställning av hur mycket emissioner av lättflyktiga lösningsmedel (VOC) varje person ger upphov till. Denna emissionsschablon är ca 4,5 kg per person och år. 6.2 Jämförelse mellan Skånedatabasen 2001 från GIS-C, SMED 2001 och Läns styrelsens emissionssammanställning Jämförelse med Skånedatabasen (GIS-C 2001) från GIS-centrum har gjorts med två andra databaser som finns för Skåne; nationella emissionssammanställningen (SMED 2001) och Länsstyrelsens emissionssammanställning 1998 (LST 1998). Emissionsdatabasen SMED (Svenska MiljöEmissionsData) är en nationell sammanställning av emissionerna för hela Sverige med en upplösning på 20 * 20 km. Fördelningen av emissionerna görs också på länsnivå, med fördelning för olika källtyper. Länsstyrelsens emissionssammanställningar gjordes under drygt 10 år av Länsstyrelsen. Den senaste officiella sammanställning gjordes Denna statistik baseras bl.a. på nationella sammanställningar som är nedskalade till Skåne, statistik avseende drivmedelsförsäljning av olika kvaliteter, egna emissionssammanställning av industriutsläpp m.m., schabloner för vägtrafiken baserat på antal invånare i de skånska kommunerna och en sammanställning av emissionerna från sjöfarten via konsultfirman Mariterm AB. Det finns flera avgörande skillnader i hur de tre databaserna är uppbyggda. Den största skillnaden är emissionerna från sjöfarten. I SMED 2001 är sjöfartens emissioner enkelt uppbyggda och innehåller inga uppgifter om bl.a. internationell sjöfart, medan sjöfartens emissioner i LST 1998 har summerats så att utsläppen fram till halva distansen till slutmålet innefattas i de Skånska emissionerna. I Skåne- 69

85 databasen (GIS-C 2001) har alla emissioner inom territorialgränsen innefattats. Sammanfattningsvis innebär detta att informationen om emissionerna från SMED är mycket lägre, medan emissionerna från LST är mycket högre. I nedanstående figurer (6.2 till 6.8) redovisas dels totala emissioner i de tre databaserna dels skillnader mellan fem gemensamma källtyper. Dessa är stationär förbränning och industriprocesser (bl.a. industrier, större energianläggningar och småskalig uppvärmning) vägtrafik, övriga mobila källor (sjöfart, flyg m.m.), arbetsmaskiner och övrigt. För koldioxid (CO 2 ) fanns det ingen möjlighet att göra en jämförelse mellan olika källtyper. Totala utsläppen av SO 2 i Skåne ton per år SMED 2001 GIS-C 2001 LST SMED 2001 GIS-C 2001 LST 1998 Figur 6.2. De totala utsläppen av SO 2 i Skåne från databaserna SMED 2001, GIS-C 2001 och LST 1998 i ton per år. Utsläppen av SO 2 i Skåne ton per år SMED 2001 GIS-C 2001 LST 1998 Stationär förbränning o industriprocesser Vägtrafik Övriga mobila källor Arbetsmaskiner Övrigt Figur 6.3. Fördelning mellan olika källtyper avseende emissionerna av svaveldioxid från databaserna SMED 2001, GIS-C 2001 och LST 1998 i ton per år. 70

86 Totala utsläppen av NO x i Skåne ton per år SMED 2001 GIS-C 2001 LST 1998 SMED 2001 GIS-C 2001 LST 1998 Figur 6.4. De totala utsläppen av kväveoxider NO x i Skåne från databaserna SMED 2001, GIS-C 2001 och LST 1998 i ton per år. Utsläppen av NO x i Skåne ton per år SMED 2001 GIS-C 2001 LST Stationär förbränning o industriprocesser Vägtrafik Övriga mobila källor Arbetsmaskiner Övrigt Figur 6.5. Fördelning mellan olika källtyper av emissionerna avseende kväveoxider (NO x ) från databaserna SMED 2001, GIS-C 2001 och LST 1998 i ton per år. 71

87 Totala utsläppen av VOC i Skåne ton per år SMED 2001 GIS-C 2001 LST 1998 SMED 2001 GIS-C 2001 LST 1998 Figur 6.6. De totala utsläppen av flyktiga organiska ämnen (VOC) i Skåne från databaserna SMED 2001, GIS-C 2001 och LST 1998 i ton per år. Utsläppen av VOC i Skåne ton per år SMED GIS-C 2001 LST 1998 Stationär förbränning o industriprocesser Vägtrafik Övriga mobila källor Arbetsmaskiner Övrigt Figur 6.7. Fördelning mellan olika källtyper avseende flyktiga organiska ämnen (VOC) från databaserna SMED 2001, GIS-C 2001 och LST 1998 i ton per år. 72

88 Totala utsläppen av CO 2 i Skåne kton per år SMED 2001 GIS-C 2001 LST 1998 Figur 6.8 De totala utsläppen av koldioxid (CO 2 ) i Skåne från databaserna SMED 2001, GIS-C 2001 och LST 1998 i kiloton per år. Det kan konstateras att de totala utsläppen för svaveldioxid, kväveoxider, VOC och koldioxid är i stort sett lika stora för de olika databaserna som jämförts. Länsstyrelsens emissionssammanställning 1998 är dock större för alla parametrar, vilket dels beror på att denna sammanställning är tre år äldre än GIS-centrums databas (GIS- C 2001) och SMED 2001 och dels på att metodiken för att bygga den databasen är betydligt enklare. Emissionerna från SMED är generellt lägre än GIS-centrums databas, utom för VOC. Skillnaderna är dock inte särdeles stora. De något lägre VOCutsläppen från GIS-centrums databas kan delvis förklaras av att emissioner från industri, energi- och värmeanläggningar inte fullständigt har gått att få tag på. Dessutom tycks olika emissionsschabloner för lösningsmedelsanvändning per hushåll använts i de olika databaserna. 73

89 6.3 Tidstrender Databasen från GIS-centrum är producerad för året 2001 och innefattar inga tidstrender. Däremot har Länsstyrelsen producerat emissionssammansställningar med samma metod mellan åren 1980 och I nedanstående figur (6.9) jämförs GIS-C 2001 med emissionsutvecklingen för NO x i Länsstyrelsens emissionssammansställningar (LST ). Utveckling av kväveoxidutsläppen (NO x ) i Skåne Ton per år Länsstyrelsen GIS-C Figur 6.9. Sammanställning av kväveoxidutsläppen i Skåne från 1980 till I figuren ovan visas att emissionerna från GIS-C 2001 är något lägre än den förväntade totala emission om man utgår från trenden i Länsstyrelsens emissionssammansställningar. Den mest troliga förklaringen till detta är skillnaden hur sjöfartens emissioner behandlas i de två databaserna. Länsstyrelsen tar hänsyn till utsläppen på halva sträckan till och från destinationen, medan GIS-C 2001 tar hänsyn till sjöfartens emissioner inom Skånes territorialgräns, vilket medför betydligt lägre emissioner. En bedömning av skillnaden är att de totala utsläppen i Länsstyrelsens sammanställning skulle minskas mellan och ton per år. Tas denna skillnad med vid jämförelsen, tycks GIS-C 2001 följa trenden för kväveoxider ganska väl. 6.4 Spridningsberäkningar I första underkapitlet i diskussionen (6.1) diskuterades hur stort felet var i emissionsdatabasen. Det kunde konstateras att det mest troliga felet på innehållet i databasen var ca 15 %. Vid beräkning av kvävedioxidhalterna visade det sig att felet i valideringsstudien var ca 10 %, d.v.s. felet i beräkningarna var lägre än bedömt fel i databasen. Detta säger nu inte hela sanningen, då spridningsberäkningarna inte sker på alla platser och att felet i spridningsberäkningen kan motverka felet i databasen. Trots eventuella invändningar tycks det ändå som att beräkningarna styrker kvaliteten på databasen. 74

90 Osäkerheten vid tidsserieberäkningarna är inte förvånade då de flesta emissionskällorna är schabloniserade över dygnet, och kan därmed inte beskriva exakt hur stora utsläppen är. Själva spridningsmodellen är gaussisk, vilket också innebär att beräkningen av plymen fördelar sig gaussiskt. Detta är nu inte sant för en enskild timme, utan gäller för beräkning över en längre period. 6.5 Utveckling och framtid för Skånedatabasen Databasen och dess innehåll är ett mycket bra grundverktyg för att kunna genomföra analyser lokalt, för regional planering, miljömålsuppföljning, tillståndsprövningar, scenariobeskrivningar, visa trendutveckling m.m. I Malmö och Helsingborg används de lokala databaserna för att beskriva nulägessituationen i stort och i detalj, göra detaljerade utredningar om vilka källor som bidrar till luftföroreningskvaliteten och göra framtidsscenarier. När det gäller framtiden för Skånedatabasen (GIS-C 2001), så finns det olika alternativ, avseende ajourhållning och uppdateringar. Nedan ges några exempel på vad som kan hända: Länsstyrelsen tar hand om databasen och förvaltar den Någon kommersiell aktör engagerar sig Databasen dör, om ingen har kunskap och resurser att förvalta databasen Nästa steg för att utveckla databasen ännu mer är bl.a. att öka den geografiska och tidsmässiga upplösningen för de flesta källor, men speciellt för de källor som placerats ut som gridkällor. Dessutom borde det finnas bättre tillgång av statistik/data för sjöfarten och emissionerna från Själland borde uppdateras. 75

91 8. Slutsatser De totala emissionerna i Skåne från GIS-C 2001 stämmer i stort sett överens med emissionssammanställningarna som länsstyrelsen gjorde 1998 (LST 1998) och med SMED En viktig skillnad är emellertid att Skånedatabasen (GIS-C 2001) har en mer detaljerad geografisk och tidsmässig upplösning. Denna upplösning har en avgörande betydelse vid dispersionsmodellering av emissionsdatan för bl.a. beräkning av exponeringsnivåer och jämförelser med miljökvalitetsnormer. För spridningsberäkningarna kan det konstateras att en korrelationskoefficient på 0,96 i valideringsstudien är ett mycket gott resultat, som visar att metodiken, uppbyggnad av databasen, spridningsberäkningar och meteorologisk information håller hög klass, samt att hela konceptet är användbart över ett så stort område som Skåne. 76

92 9. Referenser Alexandersson, A et al 1991: Sjöfartens utsläpp av avgaser. Transportforskningsberedningen rapport 1991:18, Stockholm Biobränsle Hälsa Miljö, Ett projekt inom Energimyndighetens FoUprogram Preliminär slutrapport juni Emissionsklustret. Bilprovningenen 2004: Telefonsamtal med statistikansvarig på Bilprovningen under 2004 Dansk Miljöteknik AS 2003: Jörgen Boje och Tom Wisman: Spridningsberegninger for skibe i Öresund ved Helsingborg.Augusti Projektnr EMIR 2001: excel-filer på emissioner från A- och B-anläggningar 2001 från Länsstyrelsen i Skåne län. ER 23:2003. Småskalig vedeldning Energimyndighetens analys och förslag till åtgärder. Eskilstuna Eurpean Commission Quantifiaction of emissions from ships movments between ports i eurpean Community. Entec UK Everöds flygplats 2001: Miljörapport för flygplatsen Everöd i Kristiandstad 2001 Försvarmakten 2001: PDF angående sjöfarten kring södra Sverige Johansson 2004: muntlig information från Håkan Johannson på Vägverket.. Gatukontoren Information om den lokala trafiken har erhållits via kontakter med de lokala gatukontoren i Skåne. Internationella försurningssekretariatet IVL 1999: rapport B1342 Karin Persson och Karin Kindbom. Kartläggning av emissioner från arbetsfordon och arbetsredskap i Sverige, Göteborg. Ljungbyheds flygplats 2001: Miljörapportering för Ljungbyheds flygplats 2001 Länsstyrelsen 2001: Statistik från länsstyrelsen 2001, Länsstyrelsen i Göteborgs- och Bohuslän. 1993: EDB för Västkusten och Göteborgsregionen Marinen 2003: Marinens fartygsdatabas , Malmö Naturvårdsverket 1992: Rapport 3993: Miljöpåverkan från fritidsbåtar, fiske- och arbetsfartyg. Statens naturvårdsverk, Solna

93 Nilsson 2004: muntlig information från Henric Nilsson på Miljöförvaltningen Malmö stad. NMT 2003: Information via hemsida för Nätverket för Transporter och Miljö - OPSIS 2004, se vidare på ENVIMAN under software. Persson Christer, Ressner Elisabet, Klein Thomas. SMHI rapport Nationell miljöövervakning MATCH-Sverige modellen Räddningsverket 2001: Sotarregistret är sammanställt av Räddningsverket för Från Irene Wrande på Energimyndigheten har utdrag ur sotarregistret som excelfil för Skåne. SCB 2001: Statistik från SCB, Skånes luftvårdsförbund, Anders Åkesson. Luftföroreningar i Skåne - Utsläpp av svaveldioxid, kväveoxider, ammoniak, flyktiga organiska ämnen och koldioxid under perioden Malmö. Skånetrafiken 2003: E-post från Skånetrafiken 2003, angående emissioner från Kustpilen i Skåne och Blekinge. SMHI rapport 2000 nr 67. Bedömning av påverkan av marknära ozon av emissioner från Skåne Län, Själland och Bornholm. Norrköping SNAP 2006, SP 2003: Rapport 2003:08: Emissioner från småskalig biobränsleeldning mätningar och preliminära mängdberäkningar. SP Sturups flygplats 2002: Miljörapport för Sturups flygplats 2002 Svenska Miljöemissionsdata (SMED), Läns- och kommunvis redovisning av utsläpp till luft baserad på geografisk fördelning av nationella utsläppsdata. 2001, leverans SMHI Norrköping. Trivecktor 2003: rapport för tillståndsprövning av Trelleborgs hamn VTI 1994: Hammarström U. och Karlsson B. (1994) Fordonskostnader och avgasemissioner för vägplanering (EVA), VTI notat T och den uppdatering som jag gjorde 2001 VTI 2000: Notat 5, Emissionsberäkningar för järnväg, sjöfart och flyg en översikt. Väg- och transportforskningsinstitutet Vägverket 2004, Handbok för vägtrafikens luftföroreningar, 78

94 Vägverket 2002: Johansson H. (2002) EVA SYSDOK version 2.3 modellspecifikation: fordonseffektmodell rev Internt PM Vägverket. ÄFAB 2003: muntlig information om schablon för årlig bränsleförbrukning av för olika pannor. Ängelholms flygplats 2000: Miljörapport för Ängelholms flygplats

95

96 I

97

98 A geographical and temporal high resolution emission database for dispersion modelling of environmental NO X in Southern Sweden. Gustavsson S 1, Welinder H 2, Pilesjö P 1 1. Centre for Geographical Information Systems (GIS Centre). Department of Physical Geography and Ecosystems Analysis, Lund University. 2. Department of Occupational and Environmental Medicine, Institute of Laboratory Medicine, Lund University. Keyword Gauss model, Geographic information system, Regional dispersion model, Traffic emission, Sea traffic 1

99 1. Abstract Emission databases (EDB s) are important tools for the estimation of air pollutants emitted from within a region. A good model should be able to describe the real emissions from varying sources in time and space at a high resolution. Through dispersion modelling, the air quality in a region can then be mapped using a geographical information system (GIS). Thus, the combination of an EDB and a GIS can produce a powerful tool for the understanding and control of environmental exposure. The EDB can be used to describe environmental exposures for geographic areas, of individuals as well as the total population. We here report and evaluate the construction of an extensive air pollutant EDB. The study area is located in southern Sweden. The different sources of emissions in Scania consist of roughly 23,500 line sources corresponding to the major roads and ship routes, 500 point sources corresponding to most of the larger industrial plants and approximately 50 area sources corresponding to emissions from heating, wood burning, farming machinery, construction machinery, etc. Sources from Zealand, Denmark are also included. The software Enviman was used to model the concentrations of nitrogen oxides (NO x ) and the continental contribution was calculated from measurements in the area. The model was validated against observed values for 14 different measurement sites at 12 locations and over different time periods. The largest emissions of nitrogen dioxide, carbon oxides and volatile organic components are from road traffic, while the most important source of particles (PM10) is small scale heating and the most important source of sulphur dioxide is shipping. The modelled emissions from Scania are in excellent agreement with the measured data. The correlation between measured and calculated NOx is 0.96, with an error for the mean values of 10 %. The correlation increases with increasing time windows. The modelled data have a high quality despite all possible limitations in the form of missing data, simplified sources and errors in information and emission factors,. This approach provides a valuable and powerful tool for the study of coping with exposure limits, for exposure assessments in epidemiological studies, and to estimate environmental and health consequences in physical planning. 2. Introduction and aim Emission databases (EDB) are valuable tools for the estimation of types and quantities of air pollutants that are emitted in a region (Tsilingiridis et al. 2002). The main purpose of an EDB is to make good models in time and space of the real emission of air pollutants from different sources. In addition, by dispersion modelling the air quality in a region can be mapped using a geographical information system (Puliafito et al. 2003, Stage 2004). Thus, the combination of an EDB and a GIS produce a valuable tool for the understanding and control of environmental exposure. There are an increasing number of reports on emission databases for industrial plants (Chakraboty 2004), combustion plants (Tsilingiridis et al. 2002) and traffic (Vivanco 2005). Special software (?) programs have also been undertaken to evaluate ozone precursors (Funk et al. 2001, Hogrefe et al. 2003). One possibility is to use the EDB for dispersion modelling of environmental exposure of individuals as well as the total population. These results can be used in studies that try to determine how we cope with exposure limits (Gupta et al. 2002) and for exposure assessments in epidemiologic studies on the health effects of air pollution (Vine et al. 1997, Bellander et al. 2001, Mindell et al. 2005). This use requires a detailed resolution of the data in terms of geography and time as well as detailed information on all emission sources. Such EDB s have rarely been reported (Kim and Kim 2000, Tsilingiridis et al. 2002). We here report on the construction and evaluation of an unusual extensive EDB of air pollutants including emissions of NO X, particle matter (PM 10 ), CO, CO 2, SO 2, benzene and VOC in the 2

100 Scania region in southern Sweden. The EDB is highly suitable for the presentation of the geographical distribution of the emissions. Dispersion models have been run at one hour temporal resolution up to average calculations over several years. Validation and background dispersion calculation have also been made to see how good the emission data is temporally and geographically adjusted. 3. Methods The Scania region and maps Scania is a small province in southern Sweden with a relatively flat and open agriculturul landscape, which is surrounded by sea on three sides, Fig 1. In northern Scania there are more forests and less agriculture. The land area of Scania is km 2 and the population is 1.14 million. The map used in this study is a digital version of the Swedish red map in scale 1: The emission database covers the whole Öresund region, which includes Scania, the Danish island of Zealand, Denmark, as well as the sea surrounding these land masses. The extension of the area, outside Scania, was motivated by the importance of emissions adjacent to the area of interest, which were likely to influence the results. If these sources were omitted, the results would most probably have been significantly underestimated in terms of concentration. However, the emissions outside Scania have only been mapped on a general basis. Figure 1. The location of the study area, Scania, Zealand and the Baltic Sea and geographical presentation of 14 sites in 12 urban background stations (dots) that measure nitrogen dioxide The database The database structure is primarily designed for GIS applications, and includes point, line, grid and area sources. A typical point source is a chimney and a line source could, e.g., be a road. Grid and area sources are closely related; for area sources the emission is equally divided over the area, but for a grid source the emission can vary in space. When the magnitude of the emission from a source is not measured, a statistical parameter connected to the emission has 3

101 been used. Generally, the basic structure for the emission sources (E) in the database can be described by the equation: E = EF x EEV (1) Where EF is the Emission Factor and EEV is the Emission Explaining Variable. However, in order to allow modelling in time and space and to search for e.g. different source types, areas, and emission types, a more complicated formula has been used: X n EDB = Σ ( E xi * ESV xi * ETV xi * EPV xi ) (2) i = X 1 where EDB = Emission database E xi = Emission for source xi ESV xi = ETV xi = EPV xi = Emission Space Variable for source xi Emission Time Variable for source xi Emission Physics Variable for source xi With the exception of the emission data presented above, every source type needs to be linked with different search keys so that the data base becomes searchable, and also more comparable and compatible with other data base sets. The search keys are often geographical, like municipality and country. They can also be more precise, both in terms of location and type Calculation principle Two fundamental principles decide how an emission data base is built: the top-down and the bottom-up approaches. For the top-down approach it is necessary to know the total amount of emissions for a region. The bottom-up approach requires more detailed emission data. For example, emission data bases for traffic are, in most cases, built with a bottom-up technique, which implies that we have information about traffic flow for a number of roads and also for different types of vehicles. The data include type of road, speed limit and how the traffic flow is divided over the day, week, month and year. For important emission sources it is often most efficient to build the data base with the bottom-up technique because the emissions are more precisely located in time and spaces, but also because the errors are better known. However, in some cases the bottom-up approach is practically impossible to use. In this work the bottom-up method has been used most Data program We have used the commercially available program Environment Manager or ENVIMAN (Opsis AB, Sweden 2006) which runs in a traditional PC environment. The main purposes of the program are to use it for emission inventory, emission database building and dispersion modelling in different scales. The software is often used as a supervision instrument for air pollution within municipalities and counties. 4

102 Parameters Nitrogen oxides (NO x ) and particular matter (PM10) are the primary substances that are collected and modelled in this study. However, when collecting this data we also often acquired information about, e.g., carbon monoxide (CO), carbon dioxide (CO 2 ), volatile organic compounds (VOC) and sulphur dioxide (SO 2 ). These data were also imported into the database Dispersion Dispersion models are used for modelling how air pollution spreads from the sources. The number of sources can be from only one up to several thousands in complex cases. The complexity of models varies. Air pollution estimations require good dispersion models. The use of a specific model depends on the complexity of the terrain, the modelling area and the meteorological conditions Models One of the dispersion models is the USEPA proved model AERMOD (US EPA 2003). The company OPSIS AB used this model in their software and called it AQ PLANNER. To fit emission database structure and meteorology OPSIS has performed some changes to this model. Calculations can be carried out with this model dispersion for different locations between specific dates at an hourly resolution. The model is a flat 2-dimensional model, where topography and buildings are not taken in consideration, but the height over ground the emissions are spreading from is included. The input of metrological data is at hourly resolution. Another model in ENVIMAN that can be used is a street canyon model. The model is called Operational Street Pollution Model or OSPM (Berkowicz 2000). The modelling is made in a grid system, for settlement the grid size is normally between 50 and 100 m and in rural locations the grid size varies between 500 and 1000 m. All emissions in the model are summarised to the grid middle point and in the dispersion modelling the output values that are calculated represent the middle points in the grid NO x to NO 2 transformation One of the targets for air quality in the European Union relates to NO 2, and therefore NO 2 is measured at almost every measurement station for air quality. One problem is that the output from the dispersion modelling is NO x, because all emissions are the sum of nitrogen oxide (NO) and nitrogen dioxide (NO 2 ). The most common situation is that nearly all emissions from a source are as nitrogen oxide (NO) and only a smaller part of the initially emission is nitrogen dioxide (NO 2 ). After some time in the atmosphere the nitrogen oxide is oxidised to nitrogen dioxide (Seinfeld, 1986). One way to come around this problem, without using complex photo analysis calculation, is to use an empirical transformation formula based on data collected from Malmö (Johansson and Forsberg, 2005): NO 2 = NO x ^(0,75+(18/( NO x +60))) (3) Where NO 2 is nitrogen dioxide and NO x is nitrogen oxides. Nitrogen oxides are the sum of nitrogen monoxide and nitrogen dioxide. 5

103 Meteorological assumption The meteorological input is measured values from a meteorological mast in Malmö. This mast is equipped with high resolution metrological equipment. Wind direction and wind speed are measured at two levels (10 m and 24 m over ground). Temperature is measured at 2 m, 8 m and 24 m. In a nearby placed power plant temperature is measured at 54 m, 70 m and 105 m. Solar radiation, pressure, precipitation and vertical wind speed are also measured in the mast. It is necessary to have a good meteorological data set when simulations are made by the Gaussian dispersions model. One limitation is that only one meteorological data set is available. The landscape of Scania is mostly opened and flat. It is considered that meteorological data can be applied to grids with side dimensions of 30 to 40 km for Scania. Scania, however, roughly resembles a square with sides of 100 km and there are not any more meteorological data available. Therefore, the data have to be used but we must be aware that the uncertainties in the dispersion calculations increase with the distance from Malmö Background calculation Nitrogen dioxide is detained in the air for one day. The distance the gas nitrogen dioxide can travel is in the scale at 500 to km, depending on the wind speed in the atmosphere. In this perspective it is crucial to know the magnitude of the background levels. In Scania, there are 7 sites in rural locations where nitrogen dioxide is routinely measured. Dispersion modelling has been made for five years (1999 to 2003) for these seven background stations and the results have compared to observed values. Emission and emission factors are fixed, except traffic emission, which is shifting every year. The grid resolution in the dispersion calculations has been one square kilometre Validation In Scania there are 14 sites at 12 locations where nitrogen dioxide in the urban background has been measured. Urban background means that measurement is made in the central part of a city, but not close to any road. The equipment is often placed at roof level (10-20 m above ground). With these observed data, a validation of the modelled nitrogen dioxide values can be done. The amount of data is variable, some data are only from a half year with a daily resolution and other data cover for several years with at resolution of hours. The span of data is between 1999 and The validation method is based on comparisons between measured data and corresponding (i.e. same location and time) modelled values. The dispersion model was used to estimate nitrogen dioxide levels, for the period of interest. The yearly average background value for the nearest back ground station was used. The geographical resolution in the calculations was determined in two steps. In the first step the calculation was made with a high resolution grid near the receptor (the measurement site) and in the second step the calculation was made using a larger grid that included all sources in the emission database Emissions Source types The main source types used in this database are Road traffic, Shipping, Aviation, Railroad, Industries and other large energy and heat producers, Small scale heating, Working machines, Working vehicles and Working tools. All emission models used originate from official information sources, see chapters 5.2 to

104 Emissions from road traffic To model the traffic system we decided to use 13 different road types, such as motorways, highways, city centre roads, local roads, and industry roads. Every road type has a specific distribution of traffic over a day, a week, a month, and over the year. Linked to the traffic intensity are emission models. These originate from a model called EVA (Swedish Road Administration 2002). All governmental data regarding road traffic imported into the database reflect the year Since the emissions are assumed to be more or less static, these figures have been used for the modelling year of All information of the national roads in Scania is coming from the Swedish Road Administration. Most traffic information on the municipality level originates from year 1999 and runs to year Traffic information on the municipality level is collected by the local road administrations and the total number of links in the municipalities is approximately Initially, traffic data from five municipalities (out of 33) were missing. For these municipalities we manually measured traffic flow at the most heavily used roads/streets. The database does not include all roads that exist in Scania, only the major ones. If all links should be entered into the database it should have been nearly links, instead of the imported The lowest traffic flow that is recorded in the database is 500 vehicles per day. In cases where data regarding heavy vehicles are missing, the proportion of heavy traffic has been set to 5 %. In order to compensate for minor roads not included in the database, the traffic intensity in the database was increased, with 6 %, due to manually tests Emissions from shipping The shipping has been dived into five categories, pleasure boats, larger ships that have a home harbour in Scania, cargo ships that departure and/or tie in harbours in Scania, ferries that depart/arrive harbours in Scania and cargo ships and others ships that is only passing Scania. For all ship categories, statistics have been collected from governmental and non-governmental organisations. The largest emissions come from cargo ships that pass by the coast of Scania, followed by ferries. Ferries are of high importance since emissions often affect many people located in the cities where ferries dock. Due to this influence, a number of ferries which obviously influenced the air quality of a large number of people were mapped in further detail. Their activities were separated into three different categories. The first activity is at sea, when the ship travels over open water. The second activity is manoeuvring into quay, and the third is when ships are docked Emissions from aviation Emissions from aviation come mainly from the larger commercial airports. Emissions are reported in yearly reports, which include emissions on the ground, and also landing and take off below 912 m (1000 ft). Emissions over 912 m have no significant effect upon air quality at the ground level. Emissions from small airports with low and small traffic are not included Emissions from railroad Emissions from the railroads are fairly small compared to other sources, mostly because nearly all railroads in Sweden are electrified. All emissions imported into the database come from diesel engines. These are mainly for cargo transport, although some passenger lines are not yet electrified. There is no reliable flow data for each line and a simple model has been created, where we assume that 10 cargo trains pass every link every day. 7

105 Emissions from industries and larger energy and heat plants Every larger industry has to make an annual report on environmental pollution and these reports include information regarding emissions of air pollution. These air pollution data are stored in the database EMIR (EMIssionsRegister) and are managed at county level. Note that EMIR only contains major emission sources and that smaller emissions often are covered by the inventory of emissions from small scale heating. Every emission source in EMIR is linked to attribute data. Examples of these are, e.g., height of chimney and exhaust gas temperature. For the biggest sources the attribute information has been separately collected, while a generalised model has been used for the smaller ones. In the database we have gathered almost 500 emission sources from industries and larger energy and heat producers Emissions from small scale heating In Scania there are about different heating installations. Most of these are installed in private properties and houses. Information regarding these mainly originates from the National Rescue Agency s chimney register Out of the total number of installations are oil burned heaters, are stoves for woods and pellets, and the rest consist of a variety of small fireplaces. In the register, every main heater type is separated into different groups that are classified according to how often the chimney must be swept. Different heating installations result in different emissions. Thus different emissions models are connected to different types of heaters. It is then possible to estimate the total emissions of different substances for Scania The total emissions from small scale heating were distributed all over Scania, with a distribution that is five times higher at population centres compared to the country side Emissions from working machines, working vehicles and working tools The are a lot of different vehicles in this group, including tools and machines that are used for work. Examples are caterpillars, farming machines, lawn movers, and trucks to load and unload cargo. The data entered into the database originate from a Swedish report about working equipment (Persson et. al.1999). The total number of working tools is 2.5 million in Sweden, but there is no specific information about their distribution. In order to distribute the total number of working tools spatially over Scania statistical information has been used. Among this are e.g. the area of agriculture in Scania compared to the total area of agriculture in Sweden, and the number of people in Scania compared to the total population of Sweden. The distribution depended on from which source the emissions originated. One example is harbours, where all emissions are evenly distributed over the harbour area. Another example is emissions from machines used in construction. These are distributed with a 20 times higher intensity at population centres than out in the countryside Emissions from Zealand and Bornholm in Denmark The emissions from Zealand, Denmark have to be treated as a separate external emission source. The reason for this is that the wind blown emissions from Zealand, Denmark are so substantial that they have a major influence on Scania, especially at the western part of the region. The emissions from Zealand, Denmark were treated as a lump contribution. The emissions entered into the database originate from an investigation that SMHI made for the Scania Air Pollution Association 2000 (Langner 2000). 8

106 4. Results The results of the emission calculations of the different sources are presented as total emission for different compounds, and also from different types of sources (Table 1). The total emissions from all sources in the Scania emission database, GIS-C 2001, come from land up to 900 m height over ground and sea and extend to the Swedish territorial border. Parameters Emissions from roadtraffic in Scania Emissions from ships at sea around Scania Emissions from aviation in Scania Emissions from railroad in Scania Emissions from industries and larger energy and heat producers in Scania Emissions from small scale heating installations in Scania Emissions from working machines, working vehicles and working tools in Scania Total emissions in Scania Emissions from Zealand and Bornholm** Emissions from international NO x (tons/year) VOC (tons/year) PM10 (tons/year) CO (tons/year) CO 2 (tons/year) SO 2 (tons/year) * No information No information No information shipping *) for PM10 the dust that whirls up in the air from the road (resuspension) is not included in the total emission. **) the information is from actually from 1997 and is recalculated to year Table 1. Emissions from Scania, Zealand and Bornholm and from international shipping outside Scania 2001 from the EDB GIS-C

107 The largest emissions for nitrogen dioxide, carbon monoxide, carbon dioxide and VOC are coming from road traffic. For PM10 the biggest emission is small scale heating and for sulphur dioxide shipping. Notable is that industries and power plants are less important. If we look outside Scania, it can be seen that emissions from Zealand, Denmark and shipping outside the Swedish border are several magnitudes greater compared to the emissions from Scania. In particular, shipping has become a source that influences our air environment. In Figure 2 the total emission products in GIS- C 2001 are compared with calculations by two other organizations that have made statistical emission compilations for Scania. One organization is SMED (the acronym for Swedish Environmental Emissions Data, in Swedish) and they present official emission data from Sweden to EU. The statically information is broken down to county level. The other emission data are from 1998 and comes from the Scania County Board. Both emission databases are only compilations, and do not have any geographical and temporal resolution. For nitrogen oxides the result from EDB GIS-C 2001 is between the SMED 2001 and Scania County Board Totala emission of NO x in Scania ton /year SMED 2001 Scania (GIS-c 2001) Scania county administration 1998 Figure 2. The total amount emission of nitrogen dioxide NO x in Scania from the databases SMED 2001, GIS-C 2001 and Scania county administration 1998 in ton/year. The total emission of nitrogen oxides for whole Sweden in 2001 was 250 thousands tons/year (SMED 2001) and in Scania it was 32 thousands tons or 13 % of Swedish total emission. If the emissions from SMED 2001 are distributed over all the Swedish people (8.9 million in year 2001), the average NO x -emission by each inhabitant per year was 28 kg. In comparison the emissions from Scania (GIS-C 2001) is 24 kg/inhabitant/yr, or 16 % lower than the average for Sweden Background levels The results from the calculations for the seven background sites are shown in Figure 3 and they are presented as the difference between measured yearly average and calculated yearly average for nitrogen dioxide during 5 years (1999 to 2003). The average difference for all the seven sites in Scania is 2.1 µg/m 3. The background levels show a trend that decreases from south to north, from nearly 3 to 2 µg/m 3. 10

108 Figure 3. Calculated background nitrogen dioxide levels in Scania for seven stations as five years average (1999 to 2003) in microgram per cubic meter of air Validation of the emission database and the dispersion model The result from the dispersion calculation is shown in the Figure 4, where calculated nitrogen dioxide is plotted against measured values for the 14 sites in 12 urban background places in Scania. Notable is the excellent fit for most of the validation data. The absolute average error was 10.4 %, with a maximum error at 33 %. The correlation coefficient (r) for these 14 sites in 12 locations was ,0 30,0 25,0 Calculated NO 2 value( µ g/m 3 ) 20,0 15,0 10,0 5,0 0,0 0,0 5,0 10,0 15,0 20,0 25,0 30,0 Measured NO 2 value (µg/m 3 ) Figure 4. Calculated nitrogen dioxide, with the dispersion model, plotted against measured values for the 14 sites in 12 urban background locations in Scania. 11