Aplikasi Model Sumber dan Model Reseptor dalam

Pengelolaan Kualitas Udara

Webinar Nasional “Peran Pemodelan dalam Pengelolaan Kualitas Udara”, Universitas Jambi
17 Oktober 2020

Seny Damayanti
Email: damayantiseny@gmail.com
KK Pengelolaan Udara dan Limbah, Fakultas Teknik Sipil dan Lingkungan
Institut Teknologi Bandung
Key Fact (WHO, 2018)

Kebijakan dan
Investasi yang
91% dari mendukung
tahun 2016 polusi premature deaths transportasi yang
udara luar ruangan terjadi di negara
Tahun 2016, 91% lebih bersih, rumah
(outdoor air low- and middle-
populasi dunia hemat energi,
pollution) di income, dimana
tinggal di tempat pembangkit listrik,
perkotaan dan jumlah terbanyak
yang kualitas industri, dan
pedesaan adalah di area
udaranya tidak pengelolaan limbah
diestimasi menjadi South-East Asia
memenuhi WHO kota yang lebih baik
penyebab 4.2juta dan Western Pacific
air quality akan mengurangi
premature deaths regions.
guidelines levels sumber utama polusi
diseluruh dunia
udara luar ruangan
Urbanemission.info
Bagaimana langkah
awal untuk
mengurangi polusi
udara?
Source Apportionment

Source Apportionment (SA) adalah kegiatan untuk memperoleh

informasi tentang sumber polusi dan kontribusinya terhadap
udara sekitar “(Claudio et al., 2014).

Pendekatan Source Apportionment* Dapat hasil yang

lebih akurat untuk
spesifik lokasi
Top Down : Filter-based monitoring, analisis komposisi, Olah data
dengan Reseptor model

Bottom Up: Estimasi polusi berdasarkan distribusi polutan

(inventori emisi model dispersi)

Dapat hasil estimasi

*Guttikunda, 2011 polutan untuk
berbagai lokasi
pada area model
 Source Model Vs Receptor model

The source model uses source emissions as inputs and calculates ambient concentrations. The receptor
model uses ambient concentrations as inputs and calculates source contributions.
(Watson, 1979.)
Top Down

Pendekatan Source Apportionment dengan

Metode Top Down

Keputusan untuk Sampling polutan

melakukan studi source Penentuan Lokasi Studi (Particulate Matter) di
apportionment udara ambient

Analisis Labratorium
(Pengukuran Massa PM,
Reseptor Modeling
analisis komposisi
OC,EC,Ion, Metal)
Pemilihan Lokasi Pemilihan Unsur yang Penentuan Jumlah
Sampling dianalisa Sampel

Pertimbangan sumber
Mixed-site (residential, daya termasuk finansial
Sumber emisi potensial
industrial, roadside are
disekitar lokasi
preferable

representasi musim
(penghujan dan
kemarau)

Ketersediaan sumber
Reseptor model yang akan
Pola angin daya manusia, teknis, digunakan : CMB (1 sample
dan keuangan (mathematical point of view)
PMF: >100 sample (24-hours)
dan minimum 20 species (Brown
& Hafner (2005).
Sampling Udara
Ambient

Jumlah lokasi sampling: 3-5 utk skala kota 20 kmx20 km(limited

budget), >10 (unlimited budget)

Sampling setiap musim (Penghujan dan kemarau) karena ada

pengaruh meteorology dan perbedaan aktivitas (contoh:
aktivitas domestic heating akan berbeda untuk kedua musim)

Peralatan sampling yang umum digunakan untuk PM (Gent

sampler, Minivolume sampler)
Analisa Komposisi PM

• Organic Carbon (Chow, 2019)

• Elemental carbon
• Nitrate
• Sulfate
• Ammonium
• Geological material
• Sea salt
• Lain-lain
 Analisis
Laboratorium

Perlunya informasi terkait kandungan logam, ion, dan carbon dalam melakukan reseptor model
Pada umumnya analisa dilakukan dilaboratorium yang berbeda

Parameter Instrument/Method

Mass of PM2.5 Gravimetric

BC EEL Smoke Stain Reflectometer Model 43D

Metal Element XRF

Ions Ion Chromatography

EC, OC Carbon Analyzer

Neraca analitik EEL SSR EDXRF IC Carbon Analyzer

10/17/2020 11
Receptor Model
Model Reseptor

Model reseptor adalah model yang menggunakan karakteristik fisik dan kimia dari gas
dan partikel yang diukur pada sumber dan reseptor untuk mengidentifikasi adanya
polutan dan juga untuk mengkuantifikasi kontribusi sumber terhadap konsentrasi pada
reseptor (Watson et al., 2007).

Hasil model reseptor : spesifik untuk lokasi dimana kegiatan sampling dilakukan

10/17/2020 12
Receptor Model
(Prinsip Dasar)

“Mass conservation between the emission source and the study site can
be assumed, and a mass balance analysis can be used to identify and
apportion sources of atmospheric pollutants”

Persamaan 1

Xij = Konsentrasi species jth pada sample ith,

gik = Kontribusi sumber kth terhadap sample ith,
fkj = konsentrasi species jth pada sumber kth,
eij = residual (perbedaan antara terukur dengan fitted value)

Diperlukan sejumlah set data yang terdiri dari komposisi kimia dari polutan yang
diamati di titik reseptor. Semakin besar matriks data, semakin besar peluang bahwa
model akan dapat mengidentifikasi sumber-sumber emisi yang ada di suatu wilayah
 Contoh Data Set

S Cl K Cr Fe Co Ni Cu Pb Ca
Sample 1 2.617 0.860 0.264 0.013 4.162 0.002 0.022 4.646 0.062 1.386
Sample 2 2.494 1.235 0.275 0.013 4.660 0.002 0.020 5.916 0.015 1.110
i Sample 3 2.922 0.930 0.335 0.008 3.741 0.001 0.014 6.633 0.081 1.020
Sample 4 2.411 1.804 0.313 0.008 4.555 0.002 0.004 2.868 0.214 0.101
Sample 5 2.170 1.919 0.344 0.008 5.288 0.002 0.009 9.700 0.090 0.501
 Karakteristik Model Reseptor

Tidak memerlukan Umum digunakan untuk

Menggunakan konsentrasi
complex meteorological analisis Particulate Matter
terukur pada titik reseptor
dan chemical processor (PM)

Tidak bergantung pada

Baik diaplikasikan untuk inventarisasi emisi, namun
skala urban(4-100 km) dan profile sumber emisi
regional(100-1000km) diperlukan untuk beberapa
jenis reseptor model
 Perkembangan Model Reseptor

Claudio et al., 2014)

Source apportionment in Europe between 2001 and 2010, including 79 studies and 243 reported records
(Karagulian and Belis, 2012), found evidence of a dramatic increase in the number of scientific publications
on this topic during the past decade and an increasing number of ready-to-use Tools.
 Receptor Model
(Commonly used Model)

Software Input Data

Chemical mass balance (CMB) Konsentrasi dan uncertainty,
The EPA-CMB Version 8.2 local source profiles

Positive matrix factorization (PMF) Konsentrasi dan uncertainty

EPA PMF 5.0
Profil Sumber/ Finger print
Komposisi kimia pada partikulat yang dihasilkan dari sumber emisi. Umumnya diekspresikan sebagai
rasio antara massa species kimia terhadap total massa partikulat (Fraksi massa) (Claudio et al., 2014)

Marine Diesel Gasoline Diesel Ammonium Ammonium Coal Power

Soil Construction Paved Road
Aerosol Generator Vehicle Vehicle Sulphate Nitrate Plant
Element
Na 0.001 0.005 0.4 0.005 0.016 0.02 0.004 0 0 0.006
Al 0.101 0.029 0 0.001 0.003 0 0 0 0 0.052
Si 0.245 0.078 0 0.001 0.003 0 0 0 0 0
S 0.001 0.022 0.033 0 0 0 0 0 0 0.009
K 0.032 0.009 0.014 0 0 0 0 0 0 0.011
Ca 0.03 0.006 0.014 0 0 0 0 0 0 0.016
Ti 0.008 0.002 0 0 0 0 0 0 0 0
Mn 0.001 0.001 0 0.001 0 0.001 0 0 0 0.007
Fe 0.086 0.018 0 0.065 0.576 0.002 0 0 0 0.018
Ni 0 0 0 0.001 0.003 0.001 0 0 0 0
Cu 0 0 0 0 0.004 0 0 0 0 0.001
Zn 0 0.001 0 0.001 0.008 0.007 0.003 0 0 0.002
Pb 0 0 0 0.002 0.001 0.001 0 0 0 0
Cl 0.001 0.002 0.4 0.004 0.017 0.036 0.003 0 0 0.002
OC 0.025 0.4 0 0.084 0.066 0.521 0.493 0 0 0.092
EC 0 0.291 0 0.026 0.129 0.066 0.216 0 0 0.067
NO3- 0 0.018 0 0 0.002 0.009 0.002 0 0.775 0.004
SO4 2- 0 0.055 0.1 0.02 0.002 0.045 0.008 0.727 0 0.012
Na+ 0.001 0.005 0.4 0.005 0.016 0.02 0.004 0 0 0.004
NH4- 0 0.021 0 0.002 0.011 0.003 0 0.273 0.225 0
CL- 0 0 0 0.004 0.017 0.036 0.003 0 0 0.002
Profil Sumber/ Finger print

Spesifik

Didapatkan dari sampling secara langsung dari sumber

emisi

Idealnya setiap kota/daerah memiliki profil sumber

Chow and Watson, 2019

 Literatur Unsur Penanda (Fingerprint)
Sumber Unsur Penanda Reference
V, SO42- Gupta et al, 2012
V, Ni Kara et al., 2015
Pembakaran Minyak As, Se, Ni, V Baek et al., 1997
Johann P. Engelbrecht dan Alan W.
V, Ni,Ba, Sb, Br, Cr, Co
Gertler., 2002
Johann P. Engelbrecht dan Alan W.
V, Cu, Zn, Br, Sb, Ba
Gertler., 2002
Kendaraan berbahan bakar solar BC, SO42-, NH4+ Lestari and Mauliadi, 2009

BC, Cl, SO42-, NO3-,NH4+, Zn, Fe Lestari and Mauliadi, 2009

Na, Mg, Al, Sr, P Kara et al, 2015

Garam laut Na, SO4, Cl Lestari and Mauliadi, 2009

Na, Cl, BC Seneviratne et al, 2014

BC, S, K Rahman et al., 2015
BC, S, K, Zn Lestiani et al., 2013
Pembakaran biomassa
BC, K Lestari and Mauliadi, 2009

BC, K Seneviratne et al, 2013

Al, Si, Mg, K, Ca Rahman et al., 2015
Mg, Al, Si, K,Ca, Ti Mn, Fe, Sr Saxena et al., 2014
Crustal Matter Si, Al, Ca, Ti, Fe, EC Y.-c. Chan et al., 2011

Si, Fe, Ti Lestari and Mauliadi, 2009

 Literatur Unsur Penanda (Fingerprint)
Sumber Unsur Penanda Reference
Fe, Mn,Zn Baek et al, 1997

Yatkin and Bayram (2008); Harrison,

Fe, Mn, Zn, Pb
Produksi besi dan baja Roy M dan Pallavi Pant., 2012

Johann P. Engelbrecht dan Alan W.

ferro-manganese, Al, Si , K
Gertler., 2002
Ca, Si,Al, Fe AIT:Mauliadi,Y., 2008
Johann P. Engelbrecht dan Alan W.
Industri semen/aktivitas konstruksi Ca, Si, Al, Fe
Gertler., 2002
Ca, K, Al, Mg, Na, Cr Lestari and Mauliadi, 2009
SO2 Burr and Zhang., 2011
Pembakaran batubara Na, S D.D.Cohen et al., 2010
SO42-, Se, Mn, Fe,Zn P.Rajput et al., 2016
Johann P. Engelbrecht dan Alan W.
Cu, Zn
Smelting Gertler., 2002
Cu, Pb, Cd, Ti Gupta et al., 2012
Ca, Fe, Mg, Zn Kara et al., 2015
Johann P. Engelbrecht dan Alan W.
Si, Al, K, Ca, Ti
Gertler., 2002
Debu jalan
Cohen et al., 2010; Santoso et
Al, Ca, Fe, Si, Ti
al.,2011
Al, Si, Ti, Ca, Pb, Fe, K Seneviratne et al, 2012
Studi Reseptor Model di Indonesia
Bandung
Serpong Serpong
Jakarta Jakarta
 Riau
Riau, Sumatera
Cilegon Cilegon
 Pendekatan Source Apportionment dengan
Bottom Up

Keputusan untuk Emission Dispersion

melakukan Studi inventory model

• Sebagai baseline untuk menentukan • Mapping pollutant concentration

rencana aksi • Identifying hotspot
• Kumpulkan informasi sumber emisi di • Assessing source contribution
lokasi studi estimasi konsumsi • Assessing health impact
energy
• Sektor yang umum dimasukan dalam
studi inventory: Industri, residential,
transportasi, power plant
• Polutan: PM, SO2, NOx, CO, VOC, BC,
OC
Illustration
Inventarisasi emisiModel dispersi

Base Map
Input Emission inventory
Data Local Meteorological Data

Local physical characteristic, geographical coordinate.

Commonly AERMOD
Used CALPUFF
CALINE
ALOHA
Gaussian Dispersion Models
• Based on the assumption
• plume spread results primarily by molecular diffusion
• horizontal and vertical pollutant concentrations in the plume are normally
distributed (double Gaussian distribution)
• Plume spread and shape vary in response to meteorological
conditions
X
Z

u
Y
H

10/17/2020 31
 Level
Konsentrasi
Contoh output Model Dispersi

Prakash et al., 2016

 Apakah hasil inventori emisi
dapat langsung dibandingkan
dengan metode topdown
(receptor model)?

• Hasil emission inventory tidak dapat dibandingkan dengan metode

top down.
• Emission inventory: massa pollutan/tahun
Top Down : konsentrasi polutan (massa/volume)
• Sehingga diperlukan studi lanjutan yaitu dengan model dispersi
(+data meteorology) untuk mendapatkan informasi tentang
konsentrasi diudara ambient.
• Hasil ini yang nantinya dapat dibandingkan dengan hasil top down
 Top down atau
bottom up?

Metode top down dan bottom up dapat saling menguatkan

Contoh: Pengukuran emisi pada sumber sebagai upaya untuk mendapatkan profil sumber. Disisi
lain juga bisa mendapatkan emisi faktor yang dapat menguatkan hasil inventarisasi emisi.

Hasil dari pendekatan top-down dapat digunakan untuk mengkoreksi sumber yang tidak
diidentifikasi pada inventory.

Hasil pemodelan dispersi dapat membantu identifikasi “hot spot’ area yang nantinya dapat
membantu dalam penentuan lokasi sampling untuk pendekatan top down.

Data monitoring dapat membantu memvalidasi model dispersi dan mengembangkan scenario
pada model.

Kedua metode tersebut menyediakan informasi yang sangat bermanfaat untuk mengembangkan
strategi pengendalian pencemaran udara.
Terimakasih 
Reference
• Watson, John G. 2007. Receptor Modeling Source Apportionment for Air Quality Management. The Workshop
on Air Quality Management, Measurement, Modeling, and Health Effects
• Watson, J.G., and Chow, Judith. 2019. Real-world Source Characterization and Emission Inventories. Workshop
on:“Multipollutant Air Quality Management”
• Watson, J.G., and Chow, Judith. 2019 . Sampling and Analysis of Particulate Matter Samples for Source
Identification. Workshop on:“Multipollutant Air Quality Management”
• https://www3.epa.gov/scram001/receptorindex.htm
• Claudio A. Belis1, chair and editor Bo R. Larsen2, Fulvio Amato3,4, Imad El Haddad5, Olivier Favez6, Roy
M.Harrison7, Philip K. Hopke8, Silvia Nava9, Pentti Paatero10, André Prévôt5, Ulrich Quass11, Roberta Vecchi12,
Mar Viana3. 2014. Europian Guide on Air Pollution Source Apportionment with Receptor Model. Italy:
Luxembourg Publications Office of the European Union (https://ec.europa.eu/jrc/en/publication/reference-
reports/european-guide-air-pollution-source-apportionment-receptor-models)
• Guttikunda, Sarath. 2011. A Primer on Source Apportionment (www.urbanemissions.info)
• https://www.labcompare.com/Laboratory-Analytical-Instruments/964-Ion-Chromatography-Instrument/
• https://www.sunlab.com/lab-oc-ec-aerosol-analyzer/
• B. M. Prakash1 , M. Mahadevaswamy2, S. Mahesh 2016. Air Pollutant Dispersion Studies using AERMOD for
Industrial Area of NorthWestern Part of Mysuru City. International Journal of Innovative Research in Science,
Engineering and Technology
• Materi Kuliah Pemodelan Pencemaran Udara oleh Dr.Asep Sofyan, TL ITB.
Glosarium

• Source apportionment: the practice of deriving information about

pollution sources and the amount they emit.
• methodology to apportion the measured mass of air pollutants in
one or more sites to their emission sources by solving a mass balance
equation using multivariate analysis.
• Multivariate analysis: methods used to deal with datasets consisting
of several measurements (variables) for each object (sample unit).
• Source profile or fingerprint: the average relative chemical
composition of the particulate matter deriving from a pollution
source, commonly expressed as the ratio between the mass of every
species to the total PM mass.