INNOVATIVE APPROACHES IN INTEGRATED ASSESSMENT MODELLING OF EUROPEAN AIR POLLUTION STRATEGIES – IMPLICATIONS OF DEALING WITH MULTI-POLLUTANT MULTI- EFFECT PROBLEMS Stefan Reis, Steffen Nitter, Rainer Friedrich

- CONTAMINANTES / EFECTOS - ESTRATEGIAS DE CONTROL DE LA CONTAMINACIÓN - REDUCCIÓN DE LAS EMISIONES DE GASES EFECTO INVERNADERO UTILIZANDO: MODELOS SOFISTICADOS DE COMPUTACIÓN -bases de datos -algoritmos -herramientas de software -modelos Integrados en un modelo unificado (FRAMEWORK)

FORMULACIÓN DEL PROBLEMA Modelos Integrados de evolución aplicados para la disminución de las curvas de costos como entrada a la herramienta de optimización. El análisis se enfoca en un solo contaminante con una relación linear entre emisión-concentración y emisión-efecto. Ej.: el caso de la lluvia ácida y la acidificación en gral. en donde la reducción de las emisiones de SO2 y NOx permiten reducir las deposiciones en la misma proporción. En el caso del Ozono troposférico, el análisis se vuelve más difícil, debido a que la relación de los contaminantes que lo producen no es lineal. En este caso se debe recurrir a modelos más complejos para analizar la no linealidad. Es por esto que los modelos de evaluación necesitan incluir mecanismos más complejos para analizar esta no linealidad. También se busca alcanzar una solución costo-eficiencia como así conocer que contaminantes deben ser controlados y donde (localización de las fuentes).

El costo por unidad de contaminante controlado es fácil de determinar (cuando éste es uno solo), al tener suficiente información sobre grado de actividad, tecnologías, etc. Se torna más difícil cuando son 2 los contaminantes a controlar, y si las medidas existen, se debe determinar cual reducirá las emisiones de ambos, usualmente con distinta eficacia

Fig. 1 Modelos Integrados de evaluación aplicados a la contaminación ambiental

Matriz de medida - Ser capaz de reproducir las complejas interrelaciones de contaminantes y efectos, ser transparente y simple para mantener las incertidumbres al mínimo. - El incremento de la velocidad de la computación, el almacenamiento de datos y la capacidad de manejo, proveen las bases para soluciones innovadoras. - Bases de datos : De inventarios y actividades, de medidas e información adicional. En vez de tratar de procesar datos de reducciones individuales en las curvas de costos, el modelo de optimización da un total acceso a las bases de datos hasta el punto que permite seleccionar, aplicar y evaluar las opciones de reducción con un considerable grado de libertad, permitiendo, por ejemplo, el incremento de actividad de un sector y la disminución en otro.

Algoritmos evolutivos para resolver problemas complejos Optimizan de una forma similar a como lo hace la naturaleza, usando conceptos tales como recombinación, mutación y aptitud a sobrevivir, para inducir un proceso de evolución hacia una solución óptima. Diseño general de los algoritmos evolutivos La optimización de algoritmos, forma el núcleo de un modelo integrado de evaluación para conducir el costo-eficacia y el análisis de costo- beneficio a la reducción de la contaminación del aire y las emisiones de gases de efecto invernadero simultáneamente. La decisión de aplicar Algoritmos Evolutivos emerge cuando se hace claro que el problema a solucionar fue caracterizado, mientras que cientos de diferentes opciones de reducción pueden ser combinadas. La implementación de un algoritmo evolutivo para identificar un paquete óptimo de medidas de reducción se encuentra ilustrado en la fig. 2

Implementación de un algoritmo evolutivo

Pasos 1 y 2: forma parte de la inicialización para comenzar la optimización y entrar en la curva, que en este caso, las opciones de reducción son seleccionadas para la disminución de emisiones. Paso 3: Cambios en las concentraciones de los contaminantes son calculadas, utilizando matrices fuente-receptor (resolución 50 km x 50 km). Paso 4: Se evalúan las estrategias y se descartan las peores. Paso 5: Las estrategias son evaluadas de acuerdo al fitness. Paso 6: Se eligen algunas estrategias al azar y se mutan. Este acercamiento permite obtener valores límites introduciendo un valor de aptitud (fitness) que luego será utilizado para descartar la peor estrategía.

Estrategías evolutivas - Se seleccionan un par de estrategias (generación de padres) de acuerdo a su grado de aptitud que pasarán sus medidas a dos nuevas estrategias formadas (generación de niños). -En un primer paso una mutación de un punto N será implementado en el algoritmo don las medidas “padres” son cortadas en un número de piezas, que serán recombinadas para formar una descendencia.

Testeo de la Performance Las siguientes mejoras en los Algoritmos Evolutivos están en proceso de ser implementadas y testeadas: - Inclusión de estrategias especiales para dirigir la búsqueda hacia una correcta solución. - Preferencia por pares que consisten en soluciones de un mismo “vecindario” para sustentar la búsqueda local. - Mejorar la aptitud de las soluciones jóvenes, dejándole al operador de la mutación el tiempo necesario para mejorarlas a nivel local, para que no sean prematuramente suprimidas por otras más viejas. - Uso de operadores que incrementen la diversidad, evitando la búsqueda de regiones prometedoras en favor de estrategias con altas aptitudes (fitness). - Simulación de SINEs (cortos elementos entremezclado), que proveen al operador del traspaso, puntos donde el corte es hecho con mayor probabilidad.

Conclusiones Pequeños descubrimientos en el campo de los Modelos Integrados de Evaluación para costo-beneficio, costo-eficacia, se han evidenciado en las últimas décadas. Mientras aumenta el poder de la computación y el conocimiento sobre las causas y efectos de las emisiones de contaminantes, mejoran la situación para el modelado. Una razón de esto puede ser el éxito de los Modelos Integrados de Evaluación para sostener un plan de acción y la toma de decisiones. A medida que los problemas a direccionar aumentan en su nivel de complejidad, nuevos enfoques son necesarios.