TL6116
1
Model jangka panjang (long-term) – untuk memprediksi konsentrasi rata-rata
tahunan; menghitung paparan thd kesehatan
Klasifikasi model berdasarkan reaksi kimia:
Model tidak reaktif (non-reactive) – contoh untuk pencemar PM, SO2 dan CO
Model reaktif – untuk pencemar O3, NO2, dsb.
Klasifikasi model berdasarkan sistem koordinat yang digunakan:
Berbasis Grid (Wilayah dibagi menjadi sel array)
Trajectory (Mengikuti pergerakan plume searah angin)
Klasifikasi model berdasarkan kompleksitas
Screening: estimasi sederhana, digunakan data meteorologi untuk memprediksi
Refined: memiliki proses fisika dan kimia atmosfer yang lebih detail, memerlukan
input data yang lebih kompleks
Klasifikasi model berdasarkan sumber pencemar:
Gas beracun, gas berbau, gas bertekanan, partikulat
Sumber tunggal, banyak sumber (multi)
Sumber titik (cerobong), sumber garis (lalu lintas), sumber area (landfill), sumber
volumes (conveyor, vent di gedung bertingkat)
Klasifikasi model berdasarkan sumber data:
Pendekatan analisis sumber
Pendekatan analisis reseptor
Klasifikasi model berdasarkan aplikasi:
Model meteorologi, model emisi, model fotokimia, model dispersi, model reseptor
Klasifikasi model berdasarkan skala spasial
Skala mikro (10 – 500 m) – bau, debu, pencemar B3.
Skala kawasan (500 m – 4 km) – emisi kendaraan, rumah tangga, emisi primer
industri.
Skala kota (4 – 100 km) – ozone, sulfat dan nitrat sekunder, kebakaran hutan.
Skala benua (1.000 – 10.000 km) – debu gurun sahara, gurun asia, kebakaran hutan
skala besar.
Skala Global (> 10.000 km) – GRK, halocarbons, black carbon.
2
a. Asumsi yang digunakan:
Menggunakan persamaan matematis pada proses fisik kimia dan menyelesaikan
persamaan secara spasial.
b. Keterbatasannya:
Hanya ada di waktu dan lokasi yang terbatas
Parameter pengukuran terbatas
Kebutuhan analisis data dan riset
Kebutuhan untuk mengetahui data konsentrasi di waktu dan tempat lain
Kebutuhan membuat scenario emisi dan konsentrasi
c. Keberterapannya:
Penggunaannya dapat dioptimalkan dengan mengumpulkan dan menganalisis set data
yang sesuai, menilai sensitivitas dan ketidakpastian model, dan menghindari aplikasi
yang tidak sesuai.
4. Apa syarat, kelebihan, dan keterbatasan dari MKU berbasis data emisi
Syarat: membutuhkan data laju emisi, data banyak yang per waktu dan spasial pada
kondisi meteorologi tertentu, dibutuhkan pula konsentrasi awal pada setiap polutan,
butuh sumber daya dalam pengukuran dan memproses data.
Kelebihan: memiliki kemampuan prediktif karena mereka menghitung konsentrasi
polutan sebagai fungsi emisi polutan, mereka dapat dijalankan dalam mode prognostik
untuk memprediksi respons kualitas udara terhadap setiap perubahan hipotetis dalam
emisi polutan.
Keterbatasan: Model harus menjalani evaluasi kinerja yang komprehensif
menggunakan kumpulan data terperinci dari atmosfer sebelum menggunakannya
dalam aplikasi regulasi dan kurangnya data atmosfer (seperti data tentang konsentrasi
polutan), aturan itu terlalu sering diabaikan oleh komunitas pembuat peraturan,
akibatnya pemberlakuan strategi pengendalian yang kurang optimal atau bahkan tidak
efektif
3
5. Jelaskan apa yang membuat model dapat berhasil/tidak berhasil mencapai tujuan
Berhasil
Engineering dan regulasi mendorong peningkatan dan kemajuan berkelanjutan dalam
pemodelan dan manajemen kualitas udara. mendorong pakar atau ahli untuk
mengembangkan model kualitas udara yang semakin canggih; mendorong anggota
komunitas pembuat peraturan untuk memikirkan kembali pendekatan mereka terhadap
manajemen kualitas udara.
Tidak Berhasil
• Kurangnya data atmosfer yang memadai (seperti data tentang konsentrasi polutan),
aturan yang diabaikan oleh regulator menghasilkkan konsekuensi bahwa
pemberlakuan strategi pengendalian yang kurang optimal atau bahkan tidak efektif
• Hasil model terkadang digunakan secara tidak tepat oleh regulator. Salah satu contoh
adalah praktik dalam demonstrasi pencapaian menggunakan model untuk memprediksi
konsentrasi polutan bertahun-tahun atau bahkan beberapa dekade ke depan tanpa
mengakui bahwa parameter input, yang didasarkan pada perkiraan faktor sosial
ekonomi masa depan, untuk simulasi sangat tidak pasti.
• Terjadi penundaan yang substansial dalam memasukkan wawasan ilmiah baru dari
model ke dalam desain kebijakan.
4
Identifikasi sumber ketidakpastian; mengidentifikasi sumber-sumber ketidakpastian
yaitu sumber-sumber yang memberikan kontribusi ketidakpasian, pada setiap proses
analisis
Mengkuantifikasi komponen ketidakpastian; Langkah ini dilakukan dengan
mengestimasi besarnya ketidakpastian dari masing-masing komponen yang telah
diidentifikasi