|  print

Implementation of source apportionment using Positive Matrix Factorization - Application of the Palookaville exercise
[ Implementatie van brontoewijzing door gebruik te maken van Positive Matrix Factorization ]
 
Mooibroek D, Hoogerbrugge R, Bloemen HJTh

53 p in English   2007
RIVM rapport 863001006
download pdf (1220Kb)  

Toon Nederlands

English Abstract
Particulate Matter (PM) has been recognized for its association with an increase of cardio-respiratory diseases as well as premature mortality (shortening of life time). It is important to determine which sources contribute to the emission of PM in order to facilitate and support the development and implementation of emission reduction policies. Emissions from a mixture of sources, which vary per location and over time, contribute to the concentration of ambient PM.
Rather than attempting to identify the critical chemicals or physical properties that are responsible for the adverse effects of PM, it may be more effective and expeditious to identify the contributing sources. The RIVM has implemented a source apportionment methodology to quantify the relative contributions of various sources to PM. The data on these source contributions provided by this methodology can be used by the Ministry of Environment in developing an abatement strategy for PM.
Various complex mathematical models have been developed that use measurements to provide a better insight into the relative contributions of sources. An example of such a model is the Positive Matrix Factorization (PMF), which has been used in this study. To acquire the necessary expertise, the RIVM has applied the PMF to a well-defined reference dataset, known as the Palookaville dataset, which consists of simulated measurements.
The Palookaville dataset contains deliberate inconsistencies, all of which were found during the analysis. The capability of the RIVM to detect these inconsistencies using the PMF demonstrates that the RIVM has developed a sufficient understanding of the techniques involved to apply the PMF model to other datasets.

 

RIVM - Bilthoven - the Netherlands - www.rivm.nl

Display English

Rapport in het kort
De negatieve gevolgen van fijn stof op de volksgezondheid, zoals een toename van luchtwegziekten en vroegtijdige sterfte, zijn onderkend. Om sneller passende beleidsmaatregelen tegen de uitstoot van fijn stof te kunnen bepalen en toe te passen, is het belangrijk te achterhalen welke bronnen aan die uitstoot bijdragen en wat de bijdrage van die bronnen is aan gezondheidseffecten. Uitstoot van verschillende bronnen, varierend per locatie en tijd, draagt bij aan de concentratie fijn stof.
Deze werkwijze is effectiever dan uit te zoeken welke chemische onderdelen of fysische eigenschappen van fijn stof verantwoordelijk zijn voor deze negatieve effecten. Het RIVM heeft een methode uitgewerkt waarmee de relatieve bijdrage van bronnen in kaart kan worden gebracht. Het ministerie van VROM kan deze inzichten gebruiken in zijn strategie om de uitstoot van fijn stof te verminderen.
Er bestaan complexe rekenkundig modellen die op basis van metingen de relatieve bijdrage van deze bronnen kunnen achterhalen. Een voorbeeld van zo'n model is 'Positive Matrix Factorization'. Om de benodigde expertise op te bouwen heeft het RIVM dit model toegepast op beschikbare referentiegegevens, bekend als de Palookaville-data, opgebouwd uit gesimuleerde metingen.
Tijdens de analyse zijn de inconsistenties die opzettelijk in deze dataset zijn aangebracht, aan het licht gekomen. Hierdoor heeft het RIVM aangetoond voldoende inzicht te hebben in de brontoewijzingsmodelering om het gebruikte rekenmodel toe te passen.

 

RIVM - Bilthoven - Nederland - www.rivm.nl
Rijksinstituut voor Volksgezondheid en Milieu RIVM
( 2008-04-16 )