Quantification of the impact of uncertainty in emissions on air quality model estimates

Abstract

Hava kalitesi modelleri tarafından yapılan tahminler, özellikle kimyasal taşınım modellerinde, tüm grid hacmindeki ortalama kirletici değerini verir. Kimyasal taşınım modellerinin tahminleri ölçümlerden farklı olabilir. Bunun dört nedeni vardır; 1) ölçümlerdeki doğal veya stokastik değişkenlik, 2) modelin fizik veya kimyasal hesaplamaları aşamasında yapılan bazı varsayımlardan kaynaklı hatalar, 3) modele girdi olarak verilen değişkenlerdeki belirsizliklerden kaynaklı hatalar, 4) sayısal hatalar. Burada bahsi geçen `değişkenlik` terimi, verilerin birbirinden ne kadar farklılaştığını ifade etmek için kullanılır ve genellikle varyans ve standart sapma gibi istatistiksel metrikler yardımı ile açıklanır. Bu nedenle ilk maddede belirtilen doğal veya stokastik nedenlerden kaynaklı hatalar `değişkenlik` başlığı altında düşünülebilir. `Belirsizlik` terimi ise bir şeyin gerçek değeri ile ilgili bilgimizin eksikliğini ifade eder. Daha iyi veya daha çok veri kullanılması durumunda belirsizlik azaltılabilirken, değişkenliğin azaltılması mümkün değildir. Yukarıda bahsi geçen belirsizliğin dört nedeni arasında, modele girdi olarak verilen değişkenlerdeki belirsizlik, genellikle diğer nedenlere kıyasla en büyük etkiyi gösterendir. Bu çalışmanın amacı, verilerdeki hatalardan kaynaklı belirsizliğin hava kalitesi model tahminlerine etkisinin değerlendirilmesi ve hesaplanmasıdır. Bu kapsamla modellerin kötü performans vermesinin nedeninin yetersiz veriden kaynaklandığının kanıtlanması gerekmektedir. Literatürde modellerin özellikle Doğu Avrupa ülkelerinde kötü sonuç verdiği bilinmektedir. Bu problemi, geniş kapsamlı bir hava kalitesi modelinin sonuçlarını incelediğimizde görebiliriz. Fakat modellerin bu kötü performanslarının nedeni olarak, modellere verilen girdilerin büyük oranda sorumlu olduklarını söyleyeceksek daha detaylı bir çalışmaya ihtiyacımız olur. Çünkü, bilindiği gibi, modellerin kötü tahmin etmesinde verilerin dışında başka nedenler de bulunmaktadır. Bu çalışmanın ilk kısmında, modeller arası değişkenliği görmek için uluslararası bir proje olan AQMEII projesine katılarak, bir çoklu-model yaklaşımı kullanılmış, böylelikle bu problemin nicel olarak tanımlanması sağlanmıştır. Çalışmanın ikinci kısmında ise envanterlerin Türkiye'deki belirsizliğinin bu probleme katkısını anlayabilmek için ulusal bir proje kapsamında yapılan ölçümler kullanılarak Türkiye'ye özgü emisyon faktörleri türetilmiş, olasılıksal bir emisyon envanteri geliştirilmiş ve belirsizlik analizleri yapılarak literatürle kıyaslanmıştır. AQMEII-3 isminde uluslararası projenin bir parçası olarak, Avrupa'nın farklı ülkelerinden 12 modelleme grubu ile iş birliği yapılmış, tüm Avrupa kıtasını kapsayan (toplam 34 ülke) 18 ayrı model çalışması yapılmıştır. 2010 yılı baz alınarak yapılan bu çalışmada, 7 farklı hava kalitesi modeli, 3 farklı meteoroloji modeli ve 2 ayrı emisyon envanteri kullanılmıştır. Amerika Çevre Ajansı (EPA) ve Avrupa Ortak Araştırma Merkezi (European JRC) liderliğinde düzenlenen AQMEII-3 projesine bu çalışma kapsamında ilk defa Türkiye'den katılım sağlanmıştır. Bu projenin en önemli yararlarından biri, tüm grupların model sonuçlarının ortak bir platform yardımıyla ulaşılabilir olmasıdır. Bu tez kapsamında model performanslarının değerlendirilmesi aşamasında, Avrupa kıtasında bulunan 1431 tane hava kalitesi ölçüm istasyonu için performans metrikleri hesaplanmış, sonra da harita üzerinde gösterilmiştir. Model performanslarının mevsimsel değerlendirmeleri için ise Taylor diyagramlarından faydalanılmıştır. Şu ana kadar, Türkiye için çeşitli hava kalitesi modelleme çalışmaları yapılmıştır. Fakat bu çalışmaların genellikle bir şehir veya bir bölge için, birkaç gün ile birkaç ay arasında bir zaman ölçeği için veya genellikle tek bir hava kalitesi modeli kullanarak yapıldığı görülmüştür. AQMEII-3 projesinin geniş bir alanı kapsaması (Avrupa kıtası) ve pek çok farklı modelin katkısı nedeniyle, bu çalışmada sorunu tanımlamak için geniş bir bakış açısıyla bakılabilmiş ve bir örnek yardımıyla bir çözüm önerisinde bulunulmuştur. Bu çözüm önerisinde, detaylı bir istatistiksel yaklaşım benimsenerek Türkiye'de henüz yapılmamış titizlikte bir envanter çalışması yapılmıştır. Bu amaçla Türkiye'deki enerji üretim tesisleri için ülkeye özgü emisyon faktörleri hesaplanmış, Marmara Bölgesindeki enerji tesisleri için bir envanter oluşturulmuştur. Bu aşamalarda belirsizlik hesapları için Monte Carlo ve Bootsrap yaklaşımları benimsenmiştir. Bu tezin modelleme kısmının sonuçlarına göre, Doğu Avrupa ülkelerinde modellerin PM10 ölçümleri ile korelasyonu Batı Avrupa ülkelerine kıyasla %8 daha azdır. Doğu Avrupa ülkelerindeki ortalama hata (BIAS), Batı Avrupa ülkelerinin 2.5 katıdır. Doğu Avrupa ülkelerinde hataların ortalama kare kökü (RMSE) Batı Avrupa ülkelerinden %90 daha fazla iken, mutlak hataların ortalaması (MAE) %99, normalize hataların ortalaması (MNE) ise %25 fazladır. Bu sonuçlardan da görüldüğü üzere, Doğu Avrupa ülkeleri için modeller tarafından yapılan tahminler, ölçümlerden oldukça farklıdır. Bir Doğu Avrupa ülkesi olan Türkiye, tüm modeller tarafından hesaplanan en kötü sonuçlardan birine sahiptir. Türkiye'deki istasyonlarda tüm modeller -40 ug/m3 ortalama hata (BIAS) ile tahmin yapmaktadır ve bu değer bu çalışma kapsamında dikkate alınan 34 Avrupa ülkesi içindeki en kötü değerdir. Üstelik, Türkiye'deki istasyonların %80'inde modeller ölçümlerden bu kadar farklı tahmin ederken, birbirlerine de o derecede yakın tahminler yapmaktadır. İstasyonların %80'inde mutlak hataların ortalaması (MAE) 20 ug/m3'ün üzerindedir. Kalan %20'lik kısım, Türkiye'deki 101 tane istasyonun 18 tanesine tekabül etmektedir ve bu istasyonların çoğunun İstanbul'da, bir kısmının da Türkiye'nin başka büyük şehirlerinde olduğu görülmüştür. Zaten model sonuçları incelendiğinde, modellerin küçük şehirlere kıyasla büyük şehirlerde daha iyi tahmin yaptığı görülmüştür. Bunun nedeni, envanter hazırlanması aşamasında büyük şehirlerdeki emisyon kaynaklarına ait verilere daha kolay ulaşılması olabilir. Modellerin mevsimlere göre performansları incelendiğinde, emisyonların genellikle yaz aylarında kış aylarına göre daha iyi tahmin edildiği görülmüştür. Bu fark, kış aylarında artan ısınma ve trafik emisyonlarının model girdilerine yetersiz aksettirilmesi nedeniyle olabilir. Bu durumda, modele verilen girdilerin model tahminlerini oldukça etkilediğinden şüphelenmek mantıksız olmaz. Bu çalışmada, model girdileri zayıf model tahminlerinin bir nedeni olarak kabul edilmektedir. Elbette, modelin kendisinden veya ölçümlerdeki hatalardan veya hepsinin birleşiminden kaynaklı problemler de buna neden olabilir. Bu çalışmada, 13 farklı grup tarafından çalıştırılan 6 farklı hava kalitesi modeli kullanıldığı, bazen aynı modelin farklı gruplar tarafından da çalıştırıldığı bilindiği için, modelin kendisinden kaynaklı hataların kapsam dışında olduğu düşünülmektedir. Birbirlerinden farklı model konfigürasyonlarına sahip olmalarına rağmen tüm modellerin Batı Avrupa'da iyi tahmin yaparken, Doğu Avrupa'da ölçümlerden oldukça farklı olmaları, modellerden kaynaklı problemlerin kötü tahminlerde baskın olmadığını göstermektedir. Bu çalışmanın kapsamına dahil olan ölçüm istasyonu sayısı çok fazla olduğu için, ölçümlerden kaynaklı hataların da kötü model tahminlerinde baskın olduğu düşünülmemektedir. Ayrıca, ölçüm istasyonlarında olabilecek sistematik hataların da, aynı anda pek çok istasyonda olamayacağı düşünülmektedir. Hava kalitesi modellemesinde kullanılan bir emisyon envanterinin kalitesi, belirsizliğinin düşük olması ve kapsadığı kaynakların yeterliliği ile ilişkilidir. Yerinde ölçümler ve tam aktivite verisi oldukça, emisyon envanterleri nihai değere yaklaşır. Bu çalışmada, ulusal bir proje olan KAMAG projesi kapsamında, ülkeye özgü emisyon faktörlerinin geliştirilmesi ve mümkün olan en tutarlı veri ile emisyon envanterinin hazırlanabilmesi amacıyla yerinde ölçümler yapılmıştır. Emisyon yayan tesislerin yetkilendirdiği firmalar tarafından hazırlandığı için güvenilirliği tartışmalı olan resmi emisyon ölçüm raporları da kıyaslama amacıyla kullanılmıştır. Çalışmanın bu kısmında ülkeye özgü CO, SO2, NO, NO2 ve NOx emisyon faktörleri, ıslak/kuru tabanlı büyük kömür yakma kazanları, akışkan yataklı büyük kömür yakma kazanları, doğalgaz yakan orta ölçekli yakma kazanları ve gaz yakıt yakan gaz türbinlerinin her biri için ayrı ayrı hesaplanmıştır. Emisyon faktörlerinin, kirletici kaynakları popülasyonundan oluşan emisyonların ortalamasını temsil ettiği varsayılır. Fakat rastgele örnekleme hatası, ölçüm hataları veya örnek olarak seçilen popülasyonun emisyon faktörü geliştirmek için temsil edici olmadığı durumlarda ortalama emisyonlarda belirsizlik artabilir. İlk iki neden, genellikle popülasyon ortalamasının tahmininde yanlışlığa yol açarken, üçüncü neden ortalama hatanın (BIAS) artmasına veya sistematik hataya neden olabilir. Bu hatalardan kaçınmak için, öncelikle envanterdeki belirsizliğin anlaşılması ve hesaplanması gerekmektedir. Bu çalışmanın son kısmında, değişkenlik ve belirsizliğin detaylı istatistiksel analizi yardımıyla olasılıksal bir emisyon envanteri geliştirilmiştir. Belirsizliğin değerlendirilmesi için tutarlı bir prosedür geliştirilmesi, bilim insanları arasında hala geliştirilmekte olan bir konudur. Bu çalışmada uygulanan Monte Carlo analizi ile Bootstrap metotlarını birleştiren belirsizlik analizi yöntemi, olasılıksal emisyon envanterlerinin geliştirilmesinde kullanılabilir. Hava kalitesine girdi olarak verilecek emisyon miktarının hangi değerler arasında olacağı bilindiğinde, model sonucunun da olasılığı bilinebilir. Böylelikle örneğin hava kalitesi yönetimi kapsamında belirlenen bir hedef değere ulaşma olasılığı da bu şekilde hesaplanabilir. İstatistikte örnekleme hatası, tüm popülasyonu incelemek yerine, popülasyonun küçük bir bölümünü temsil edici kabul ederek incelemenin neden olduğu bir hata türüdür. Örnekleme hatası, bir popülasyon parametresini tahmin etmek için kullanılan örnek bir istatistik ile bu parametrenin gerçek ancak bilinmeyen değerinin farkı alınarak hesaplanır. Belirsizlik, bir sayının gerçek değeri ile ilgili bilgi eksikliği olarak ifade edildiği için, rastgele örnekleme hatası bir örnekleme dağılımı ile ifade edilebilir. Gerçek dağılımı (F) bilinmeyen emisyon faktörlerinin bulunduğu bir veri setindeki belirsizliği hesaplamak için, bu veri setine literatürde özellikleri bilinen bir dağılım uydurulur (F^). Uydurulan bu yeni dağılımın elimizdeki veri setine ne kadar uygun olduğunu anlamak için bazı uygunluk testleri uygulanır. Daha sonra Monte Carlo metodu kullanılarak uydurulan bu dağılım üzerinden rastgele veri setleri (Bootstrap kopyası) üretilir, yani veri çoğaltılır. Çalışmanın Bootstrap simülasyonu kısmında ise, Monte Carlo yaklaşımı tarafından oluşturulan alternatif olasılık modellerinin her biri (Bootstrap kopyası), dağılımın persentil değerleri istikrarlı bir şekilde stabil oluncaya kadar simüle edilir. Sonra parametreler (θ^*) tahmin edilir. Bu çalışmada, θ'nın tahmin edilmesindeki belirsizlik, rastgele örnekleme hatası da denilen θ^*'ın dağılımı ile ifade edilmiştir. Bir istatistik için güven aralığı, istatistiğin gerçek değeri ile ilgili bilgi eksikliğinin bir ölçüsüdür. Sonraki aşamada uydurulan kümülatif dağılım fonksiyonu için güven aralığını hesap etmek amacıyla θ^* verisi sıralanır. Sonuç olarak, elde edilen sonuçların orijinal veri seti ile kıyaslanabilmesini kolaylaştırmak için olasılık bandı grafikleri oluşturulmuştur. Hesaplanan emisyon faktörleri EMEP ve EPA emisyon faktörleri ile kıyaslanmıştır. Bu çalışmanın sonuçlarına göre, yakma tesisleri için hesaplanan ülkeye özgü toz emisyon faktörleri literatüre göre oldukça düşüktür. Bu çalışma kapsamında hesaplanan ülkeye özgü emisyon faktörleri ve literatür arasındaki bu büyük farklılığın nedeni, Türkiye'deki enerji üretim tesislerinde toz azaltım teknolojilerinin geniş kullanımı nedeniyle olabilir. Her ne kadar son yıllarda, baca gazları ile ilgili istisnai düzenlemeler olsa da, bu tezin baz aldığı 2010 ve 2012 yıllarında bu tesislerin çalışması için bu azaltım teknolojilerini sıkı bir şekilde uygulamaları beklenmekteydi. CO ve SO2 emisyon faktörleri, büyük kömür yakma tesislerinde ve gaz yakıtlı gaz türbini kullanan tesislerde emisyon izin raporlarından hesaplanan emisyon faktörlerinden, EMEP ve EPA emisyon faktörlerinden önemli ölçüde daha büyüktür. Fakat tüm emisyon faktörleri için hesaplanan belirsizlik, EMEP emisyon faktörlerinin belirsizliğinden oldukça düşüktür. Ülkeye özgü NOx emisyon faktörü literatürdeki tüm çalışmalardan yüksek, belirsizlik aralığı ise hepsinden küçüktür. Sonuçta, ülkeye özgü hesaplanan emisyon faktörlerinin belirsizliğinin düşük olduğunu görüyoruz. Burada bahsi geçen belirsizlik için `değişkenlikten kaynaklı belirsizlik` terimini de kullanabiliriz. Çünkü her ölçüm aslında aynı çıkması beklenen bir sonucun çeşitli nedenlerle değişikliğe uğraması sonucu değişmişti ve bu da nihai emisyon faktörünün belirsizliğini artırmıştır. Ülkeye özgü emisyon faktörleri hesaplandıktan sonra, bir sonraki adım Marmara Bölgesindeki elektrik santralleri için bir emisyon envanteri hazırlamak ve mevcut emisyon envanterleri ile karşılaştırmaktır. Halen hava kalitesi modelleri tarafından en yaygın kullanılan emisyon envanterleri TNO-MACC ve EDGAR-HTAP emisyon envanterleridir. Bu iki emisyon envanteri AQMEII-3 projesinde de kullanılmıştır. Bu çalışmada Türkiye'nin Marmara bölgesi için 57 tane enerji üretim tesisi belirlenmiştir, fakat EDGAR-HTAP emisyon envanterinde 34 tane, TNO-MACC emisyon envanteri de 19 tane enerji üretim tesisi bulunduğu görülmüştür. Zaten Türkiye'nin diğer bölgelerinde de aynı Marmara bölgesinde olduğu gibi, EDGAR-HTAP emisyon envanteri TNO-MACC emisyon envanterinden daha fazla sayıda tesis bulundurmaktadır. Sadece bu sayılara bakarak EDGAR-HTAP emisyon envanterinin Türkiye'deki tesisleri içermesi bakımından daha kapsayıcı olduğu ama yeterli olmadığı söylenebilir. Örneğin, Doğu Anadolu Bölgesi için TNO-MACC envanterinde hiç tesis yokken, EDGAR-HTAP envanterinde tesisler olduğunu görüyoruz. Sonuçta, bu çalışmadaki tesis sayısına bakıldığında her iki envanterde de önemli sayıda tesisin envantere eklenmediği görülüyor. Ayrıca bu envanterlerde bazı tanımlanamayan tesisler de mevcuttur. Bu çalışma kapsamında hesaplanan emisyon envanteri sonuçlarına göre, Marmara Bölgesindeki enerji tesislerinden 93,000 ton/yıl NOx emisyonu açığa çıkmaktadır. Güven aralığının alt sınırı 69,000 ton/yıl, üst sınırı da 114,000 ton/yıl olarak hesaplanmıştır. Aynı emisyon envanteri bu defa EMEP emisyon faktörleri kullanılarak hesaplandığında NOx emisyonları 60,000 ton/yıl olarak bulunmuştur. Bunun güven aralığının alt sınırı 33,000 ton/yıl, üst sınırı da 90,000 ton/yıl olarak hesaplanmıştır. Görüldüğü üzere, bu çalışma kapsamında hesaplanan NOx emisyon envanteri, EMEP ile hesaplananın üst güven aralığı sınırından bile fazladır. TNO-MACC envanterinde aynı tesisler için verilen 24,000 ton/yıl, EDGAR-HTAP tarafından verilen 42,000 ton/yıl NOx emisyonundan ise belirgin şekilde fazladır. Bu çalışma kapsamında hesaplanan NOx emisyon envanteri, TNO-MACC emisyon envanterinden %387 daha fazla, EDGAR-HTAP emisyon envanterinden ise %221 daha fazladır. Marmara Bölgesindeki enerji tesislerinden 152,379 ton/yıl SO2 emisyonu açığa çıkmaktadır. Aynı emisyon envanteri bu defa EMEP emisyon faktörleri kullanılarak hesaplandığında SO2 emisyonları 170,596 ton/yıl olarak bulunmuştur. Bunun nedeni, kömür yakma tesisleri için bulunan ülkeye özgü SO2 emisyon faktörünün, EMEP emisyon faktöründen küçük olmasıdır. TNO-MACC emisyon envanterinde SO2 emisyonu 69,000 ton/yıl iken, EDGAR-HTAP emisyon envanterinde 125,000 ton/yıldır. TNO-MACC emisyon envanterinde 4 tane büyük linyit yakan tesisin olmadığı ve bu tesislerin TNO envanterinde bu çalışmaya göre yaklaşık 73,500 ton/yıl SO2'nin daha az hesaplanmasına neden olduğu görülmüştür. TNO-MACC envanterinde eksik olan 1000 ton/yıl SO2 emisyonu ise, TNO-MACC envanterinde olmayan 40 tane doğalgaz yakma tesisinden kaynaklanmaktadır. Sonuç olarak, bu çalışma kapsamında hesaplanan SO2 emisyon envanteri, TNO-MACC emisyon envanterinden %220 daha fazla, EDGAR-HTAP emisyon envanterinden ise %121 daha fazladır.Bu çalışmada hesaplanan NOx emisyon envanterinin belirsizlik aralığı alt sınırı %26 iken, üst sınırı %23'e ulaşmaktadır. Aynı emisyon envanteri EMEP emisyon faktörleri ile hesaplandığında envanterin belirsizlik aralığı alt sınırı %45 iken, üst sınırı %48'e ulaşmaktadır. Görüldüğü gibi, ülkeye özgü emisyon faktörlerinin kullanımı, literatürdeki emisyon faktörlerinin kullanımına göre belirsizliği yaklaşık olarak yarı yarıya düşürmektedir. Bu fark NOx emisyon envanterinde SO2 ve CO emisyon envanterlerine göre daha baskındır, çünkü doğal gaz yakan enerji santrallerinin sayısı fazladır (Marmara bölgesindeki 57 tesisten 48'i). Bu çalışma ile, TNO-MACC ve EDGAR HTAP emisyon envanterlerinin Marmara Bölgesindeki enerji tesislerine ait emisyonları yansıtmakta yetersiz kaldığı kanıtlanmıştır. Genellikle enerji tesislerine ait bilgiler, envanter derleyicileri tarafından en kolay ulaşılan bilgiler arasındadır. Bu tesislere ait emisyonlarda dahi böyle büyük farkların olması, TNO-MACC ve EDGAR-HTAP emisyon envanterlerinin tamamının güvenilirliği konusunda şüpheleri güçlendirmektedir. Zaten bu durumda hava kalitesi model sonuçlarının tüm Avrupa ülkeleri arasında neden Türkiye'de ve Doğu Avrupa ülkelerinde, en kötü sonuçları verdiği de hesaplamalar yapılarak açıklanmıştır. Ne kadar çok hava kalitesi ölçüm noktası olursa olsun, ne kadar hatasız ölçüm yapılırsa yapılsın ve ne kadar iyi performanslı modeller kullanılırsa kullanılsın, hava kalitesi modellerinin iyi bir emisyon envanteri olmadan doğru sonuçları tahmin etmesinin mümkün olmadığı açıktır. Bu nedenle, Türkiye de dahil olmak üzere Doğu Avrupa ülkeleri için tutarlı, belirsizliği düşük ve kapsamlı emisyon envanterleri oluşturulmalıdır. Ülkeye özgü emisyon faktörlerinin geliştirilmesi, emisyon envanteri hesaplarının ön basamağıdır. Bu amaçla, yapılan ölçümlere ek olarak aktivite verilerine ulaşmak kolaylaştırılmalıdır.

The Air Quality Model, especially Chemical Transport Model, prediction represents mean concentration over the entire grid volume. Predictions of CTMs may differ from observations due to four reasons; 1) inherent or stochastic variability in the observations, 2) errors in model physics and chemistry assumptions, 3) errors due to uncertainties in model input variables, and 4) numerical errors. Here, variability is a description of the range of spread of the values, and it is often expressed by statistical metrics such as variance and standard deviation. Therefore, inherent uncertainty can be considered as variability. Uncertainty refers to lack of knowledge regarding the true value of a quantity. Uncertainty can be reduced or eliminated with more or better data, where variability cannot be reduced. Among the four reasons of uncertainty, provided above, inputs are regarded to have the largest levels of uncertainty. The aim of this study is to evaluate and quantify the contribution of uncertainties in input dataset to AQM estimates. For this purpose, it is necessary to define the problem that poor performance of the model is caused mostly by unfit data. In literature, models perform poor in the Eastern European countries. However, a more detailed study is needed to say that this poor performance is mostly due to model inputs. Because, as it is known, the poor performance of the models may also have other reasons. In the first part of this study, inter-model variability is defined quantitatively by participating in an international project. In the second part of the study, contribution of uncertainties to this problem is quantified by being part of a national project. In the second part, a sample of the solution is presented which includes development of country specific emission factors and compiling a probabilistic emission inventory. As a part of an international project (AQMEII-3), 12 modelling groups were cooperated from different countries of Europe and conducted 18 model runs on Europe domain (covers 34 Europe countries) for 2010 by using 7 different AQMs, 3 meteorology models and 2 emission inventories. This study, for the first time in Turkey, contributed to AQMEII-3 which is organized by the joint leading of U.S. EPA and European JRC. One of the most important benefits of this project is that the model results of all groups can be reached through a common platform. In this dissertation, performance metrics were calculated and mapped for each of 1431 stations of Europe, and for each model for evaluation of model performances. Taylor diagrams were also used for seasonal evaluation. Up to now, there are several air quality modelling studies for Turkey, however they are developed for a specific city or region of Turkey for a timescale starting from days to a few months, or by using just one type of AQM. Thanks to its wide coverage domain (Europe continent) and multi-model contributions from AQMEII-3 project, this study looks to the problem from a large perspective in order to define the problem and recommends a solution by representing a sample of the solution. Thus, an inventory study was conducted to overcome this problem by adopting a deep statistical approach which is not encountered in Turkish inventory studies yet. To this end, country specific EFs are calculated for the energy production industry of Turkey, an inventory has been created for the energy production industry of the Marmara Region. Monte Carlo and Bootstrap approaches are used for uncertainty calculations at these stages.According to results of modelling part of this dissertation, correlations between models and PM10 observations are 8% less in Eastern European countries when compared to Western European countries. BIAS of Eastern European countries is 2.5-fold of Western European countries, when all countries are considered. RMSE of Eastern countries is 90% more than Western countries average, where MAE is 99% and MNE is 25% more. From these results it is clear that, model predictions are significantly beyond the observations in Eastern European countries. Turkey, which is located in the Eastern Europe, has one of the worst results calculated by all models. All models predict PM10 concentrations with an average of -40 ug/m3 BIAS in stations of Turkey, where it is the worst value within 34 countries of Europe considered in this study. Moreover, models predict close to each other but quite far from the observations in 80% of the stations. MAE is over 20 ug/m3 in 80% of all stations in Turkey. Remaining 20% of the stations encounters 18 over 101, mostly in Istanbul and some other big cities. In fact, when the results of the models are examined, it is seen that models generally make better predictions in big cities compared to the small cities. This may be due to the fact that inventory compilers have more information on emission sources in large cities.In seasonal evaluation, it is seen that emissions in Winter cannot be well predicted, but in Summer it is relatively better predicted. This difference can be caused by inadequate representation of increased emissions (in the model inputs) in Winter months from residential heating and traffic emissions when compared to other months. In this case, it would not be unreasonable to suspect that the inputs to the models significantly affect predictions.Model inputs are considered as a reason for poor model predictions in this study. However, problems caused by the model itself or erroneous measurements, or combination of all, may also cause this. In this study, problems due to the model itself are out of consideration since 6 different AQMs were used by 13 modelling groups where same models were also considered by different groups. The fact that all models give close CDFs in Western Europe despite they have different modelling configurations, where they are not close to observations in Eastern Europe countries even in same models, shows that problems in the models are not dominant in prediction errors. Since the number of observation stations included in the scope of this study is very high, measurement errors are not considered to be predominant in poor model estimates. Also, systematic errors are not thought to occur at all stations at the same time.The quality of an emission inventory that will be used in air quality modelling is associated with its low-level uncertainty and adequate coverage of the sources. Emission inventories approach to the ultimate result as in-situ measurements and full activity data are available. In this study, in-situ measurements were conducted within the scope of the national KAMAG project in order to generate country-specific EFs, and an emission inventory was prepared in the light of the most consistent information possible. Besides, official emission measurement reports (EMRs), whose reliability is controversial as they were prepared by the companies under authorization of the emission emitting plants, were also used for comparison with in-situ EFs. Country-specific dust, CO, SO2, NO, NO2 and NOx EFs are calculated in this part of the study for each of coal combusting large wet/dry bottom boilers, coal combusting large size fluid bed boilers, coal combusting large wet and dry bottom boilers, natural gas combusting medium size boilers and gaseous fuels combusting gas turbines. EFs are typically assumed to be representative of an average emission rate from a population of pollutant sources in a specific category. However, there may be uncertainty in the average emissions from population because of three reasons: random sampling error, measurement errors, or when the sample population is not representative for EF development. First two factors typically lead to imprecision in the estimate of the population average. The third factor may lead to possible biases or systematic errors in the estimated average. In order to avoid errors, it is important to understand and account for the uncertainty in the inventory. In the relevant part of this study, a probabilistic emission inventory is developed by considering statistical analysis of variability and uncertainty. The development of a consistent procedure for the uncertainty evaluation is still a challenge for the scientific community. In this study a deep uncertainty analysis technique is applied in EF development, which is including Monte Carlo method and Bootstrap simulation. The uncertainty analysis described in this study can be used as a basis for developing probabilistic emission inventories. When the probability range of emissions to be given as input to air quality is known, it is possible to determine the probability of the model result. Thus, for example, the probability of achieving an air quality management goal can also be calculated.In statistics, sampling error is a type of error caused by investigating a small part of the population rather than examining the whole population. It is calculated by the difference of a sample statistic used to estimate a population parameter and the actual but unknown value of the parameter. Since uncertainty is expressed as lack of knowledge regarding to true value of a quantity, random sampling error can be represented by a sampling distribution. In order to calculate uncertainty of EFs, a distribution is fitted (F^) to the EF dataset (x) where actual underlying distribution (F) is unknown. The goodness-of-fit is evaluated by some techniques. Then Monte Carlo method is applied in order to generate random datasets from assigned distribution, F^. In Bootstrap simulation part of the study, each of the alternative probability models generated by Monte Carlo approach (Bootstrap replicates) are simulated to develop a reasonably stable characterization of the percentiles of the distribution. Then parameters, θ^*, are estimated. In this study, uncertainty in the estimate of θ is reflected by dispersion of θ^*, which also gives random sampling error. A confidence interval for a statistic is a measure of the lack of knowledge regarding the true value of the statistic. The θ^* data is sorted then, in order to calculate confidence interval for the fitted cumulative distribution function. Consequently, the results are compared to the original dataset by generating probability bands. Then results are compared to EMEP and EPA EFs. At the end, dust EFs obtained from in-situ measurements are significantly lower than the literature for coal combusting plants. The reason of these large differences between in-situ measurements and literature EFs may be due to wide usage of dust abatement technologies in Turkish energy production plants. CO and SO2 EFs are significantly larger than EMR, EMEP and EPA EFs in large coal combusting plants and in plants combusting gaseous fuels with gas turbines. But in all EFs, uncertainty is low when compared to EMEP EFs. Country specific NOx EFs are generally larger than all other studies and range of confidence interval is narrow when compared to them. This situation indicates low uncertainty in in-situ EFs. Since each stack measurement may differentiate from the real value due to variations in operating conditions, the overall uncertainty of the emission factors can also be referred as `uncertainty due to variability`. After calculating country specific EFs, next step is preparing an emission inventory for power plants of Marmara region and comparing it with the existing emission inventories. The most common emission inventories currently used by CTMs are the TNO-MACC and EDGAR-HTAP emission inventories. These two inventories are mainly used in AQMEII-3 models. EDGAR-HTAP emission inventory contains much more plants (34 plants) than TNO-MACC (19 plants) but is still far from the actual number of power plants (57 plants) that considered in this study for Marmara region of Turkey. Furthermore EDGAR-HTAP emission inventory has more plants than TNO-MACC in all regions of Turkey. From this point of view, it is clear that EDGAR-HTAP emission inventory is more inclusive than TNO-MACC emission inventory in Turkey in terms of number of plants. Also, it is more inclusive in Eastern Anatolian regions of Turkey where TNO-MACC emission inventory has almost no plants for public electricity and heat production sector. There are missing plants in EDGAR-HTAP and TNO-MACC emission inventories where there some unidentified plants in those emission inventories.As a result of emission inventory calculations, NOx emissions calculated in this study is 93,000 ton/year with lower CI as 69,000 ton/year and upper CI as 114,000 ton/year. When same emission inventory is calculated with EMEP EFs 60,000 ton/year with lower CI as 33,000 and upper CI as 90,000 ton/year. The inventory compiled by this study beyond the upper CI of EMEP and it is considerably larger than TNO (24,000 ton/year) and EDGAR-HTAP (42,000 ton/year). SO2 emissions are calculated as 152,379 tonne/year in this study. Same activity data is used in calculation of EMEP emission inventory and resulted 170,596 tonne/year, because in-situ SO2 EF was smaller than EMEP EF for coal combustion plants. It is 69,000 ton/year in TNO and 125,00 ton/year in EDGAR-HTAP emission inventory. 4 large lignite combustion plants, which are not included in the TNO inventory, have resulted in 73,500 tons less SO2 emissions in TNO emission inventory when compared to this study. 1000 tonnes of SO2 emissions is also not included in the TNO inventory due to about 40 missing natural gas incineration plants.Uncertainty range of NOx emission inventory of this study is between 26 (lower bound of CI) to 23% (upper bound of CI). When same emission inventory is compiled with EMEP EFs, overall uncertainty range is 45 (lower) to 48% (upper). As it is clear, country specific EFs decrease uncertainty when compared to usage of EFs from literature. This situation is dominant in NOx emission inventory than SO2 and CO emission inventories, because number of natural gas combusting power plants are large (48 over 57 plants in Marmara region). TNO and EDGAR HTAP emission inventories are out of the uncertainty range of this study which proves their inadequacy for representing emissions of power plants in Marmara region. Generally, the data on energy facilities is among the most easily accessed by inventory compilers. Such large differences in emissions from power plants reinforce doubts about the reliability of the entire TNO-MACC and EDGAR-HTAP emission inventories. In this case, it is quantifically proved that poor emission inventories are primarily responsible for the poor air quality predictions in Turkey, and most probably in all Eastern European countries. No matter how many and high-quality measurements are conducted, no matter how good models are used, it is not possible for air quality models to predict accurate results without a good emission inventory. Therefore, consistent, low uncertainty and comprehensive emission inventories should be compiled for the Eastern European countries, including Turkey. Development country specific EFs is the preliminary step of emission inventory development. Access to activity data used in these studies should be facilitated in order to make room for calculation of the representative EFs easily.