Talk:Climate change policies and health in Kuopio

Työversio rakennusmallista

Tässä rakennetaan uudempaa versiota rakennuskantamallista. Lähtökohtana on kesäkuussa 2014 Rotterdamin Urgenche-kokoukseen kehitetty malli, johon tuli jokin bugi ja jolla ei lopulta saatu mitään tuloksia. Nyt (syyskuu 2014) bugit siivotaan ja mallin seuraava versio kehitetään. Lähtökohtana on tämä malliversio 25.8.2014.

+ Show code- Hide code ############## TILAPÄISESTI HIA-FUNKTIOITA TÄHÄN library(OpasnetUtils) dose <- Ovariable("dose", # This calculates the body-weight-scaled exposure or "dose" to be used with ERFs. dependencies = data.frame(Name = c( "ERF", # Exposure-response function of the pollutants or agents (RR for unit exposure) "exposure", # Exposure to the pollutants "BW" # body weight )), formula = function(...) { #################################################################33 ######### Body weight scaling: In some cases, exposure is given as per body weight and in some cases as absolute amounts. # Here we add one index to define for this difference. scaling <- unique(ERF@output[c("ERF_parameter", "Exposure_agent")]) scaling <- Ovariable("scaling", data = data.frame( scaling, Result = 1 * grepl("bw", scaling$ERF_parameter) # if ERF parameter contains bw, scaling is TRUE, i.e. 1. )) out <- exposure / (((BW - 1) * scaling) + 1) # If scaling is 0, BW cancels out. out <- out * Ovariable( # Create alternative scenario with zero exposure. output = data.frame(Exposcen = c("BAU", "No exposure"), Result = c(1, 0)), marginal = c(TRUE, FALSE) ) return(out) } ) RR <- Ovariable("RR", # This calculates the total number of cases in each population subgroup. # The cases are calculated for specific (combinations of) causes. However, these causes are NOT visible in the result. dependencies = data.frame(Name = c( "ERF", # Exposure-response function of the pollutants or agents (RR for unit exposure) "dose", # Exposure to the pollutants "frexposed", # fraction of population that is exposed "bgexposure", # Background exposure (a level below which you cannot get in practice) "threshold" # exposure level below which the agent has no impact. )), formula = function(...) { #################################################################### ####### This part is about risks relative to background. # Calcualte the risk ratio to each subgroup based on the exposure in that subgroup. # Combine pollutant-specific RRs by multiplying. For description, see [[Exposure-response function]]. test <- list() marginals <- character() #First take the relative risk estimates ERFrr <- ERF ERFrr@output <- ERF@output[ERF@output$ERF_parameter %in% c("RR", "RR bw") , ] if(nrow((ERFrr * dose)@output) > 0) { bigger <- (threshold > bgexposure) * threshold + (1 - (threshold > bgexposure)) * bgexposure # Choose bigger RRrr <- exp(log(ERFrr) * (dose - bigger)) # Actual function RRrr <- (RRrr - 1) * (dose > threshold) + 1 # RR is 1 below threshold test <- c(test, RRrr) marginals <- c(marginals, colnames(RR@output)[RR@marginal]) } # Then take the relative Hill estimates ED50 <- threshold ED50@output <- ED50@output[ED50@output$ERF_parameter %in% c("Relative Hill", "Relative Hill bw") , ] if(nrow((ED50 * dose)@output) > 0) { RRrhill <- 1 + (dose * ERF) / (dose + ED50) # ERF has parameter value for Imax. If Imax < 0, risk reduces. test <- c(test, RRrhill) marginals <- c(marginals, colnames(RRrhill@output)[RRrhill@marginal]) } # We need OR but not yet crucial, so let's postpone this. See [[:op_en:Converting between exposure-response parameters]] # #Then take the odds ratio estimates # OR <- ERF # OR@output <- ERF@output[ERF@output$ERF_parameter %in% c("OR", "OR bw") , ] # if(nrow((OR * dose)@output) > 0) { # bigger <- (threshold > bgexposure) * threshold + (1 - (threshold > bgexposure)) * bgexposure # Choose bigger # OR <- RR = OR/( 1-PX0+OR*PX0 ) # Actual function where PX0 is the background incidence. How to write a code? # RRor <- (RRrr - 1) * (dose > threshold) + 1 # RR is 1 below threshold # test <- c(test, RRor) # marginals <- c(marginals, colnames(OR@output)[OR@marginal] # } if(length(test) == 0) return(data.frame()) if(length(test) == 1) out <- test[[1]] if(length(test) == 2) out <- orbind(test[[1]], test[[2]]) if(length(test) == 3) out <- orbind(orbind(test[[1]]), test[[2]], test[3]) out <- Ovariable(output = out, marginal = colnames(out) %in% marginals) # Dilute the risk in the population if not all are exposed i.e. frexposed < 1. out <- frexposed * (out - 1) + 1 out <- unkeep(out, prevresults = TRUE, sources = TRUE) # out <- oapply(out, cols = "Exposure_agent", FUN = prod) return(out) } ) totcases <- Ovariable("totcases", # This calculates the total number of cases in each population subgroup. # The cases are calculated for specific (combinations of) causes. However, these causes are NOT visible in the result. dependencies = data.frame(Name = c( "population", # Population divided into subgroups as necessary "disincidence", # Incidence of the disease of interest "RR", # Relative risks for the given exposure "ERF", # Other ERFs than those that are relative to background. "dose", # Exposure to the pollutants "frexposed", # fraction of population that is exposed "threshold" # exposure level below which the agent has no impact. )), formula = function(...) { test <- list() marginals <- character() ############### First look at the relative risks based on RR if(nrow(RR@output) > 0) { # if(class(population) != "ovariable") population <- EvalOutput(Ovariable("population", data = data.frame(Result = population))) # # Remove redundant columns and locations. # population@output <- dropall(population@output) # population <- unkeep(population, sources = TRUE, prevresults = TRUE) # disincidence <- unkeep(disincidence, sources = TRUE, prevresults = TRUE) # takeout is a vector of column names of indices that ARE in population but NOT in the disease incidence. if(class(population) == "ovariable") { takeout <- setdiff(colnames(population@output), colnames(disincidence@output)) pop <- oapply(population, cols = takeout, FUN = sum) # Aggregate to larger subgroups. } else { takeout <- character() pop <- population } # pci is the proportion of cases across different population subroups based on differential risks and # population sizes. pci sums up to 1 for each larger subgroup found in disincidence. # See [[Population attributable fraction]]. pci <- population * RR # Divide pci by the values of the actually exposed group (discard nonexposed) temp <- pci temp@output <- temp@output[temp@output$Exposcen == "BAU" , ] temp <- unkeep(temp, cols = "Exposcen", prevresults = TRUE, sources = TRUE) pci <- pci / oapply(temp, cols = takeout, FUN = sum) # The cases are divided into smaller subgroups based on weights in pci. # This is why the larger groups of population are used (pop instead of population). out1 <- disincidence * pop * pci test <- c(test, out1) marginals <- c(marginals, colnames(out1@output)[out1@marginal]) } ########################################################################## ############# This part is about absolute risks (i.e., risk is not affected by background rates). # Unit risk (UR), cancer slope factor (CSF), and Exposure-response slope (ERS) estimates. UR <- ERF UR@output <- UR@output[UR@output$ERF_parameter %in% c("UR", "CSF", "ERS", "UR bw", "CSF bw", "ERS bw") , ] if(nrow((UR * dose)@output) > 0) { UR <- threshold + UR * dose * frexposed # Actual equation # threshold is here interpreted as the baseline response (intercept of the line). It should be 0 for # UR and CSF but it may have meaningful values with ERS UR <- unkeep(UR, prevresults = TRUE, sources = TRUE) UR <- oapply(UR, cols = "Exposure_agent", FUN = sum) UR@output <- UR@output[!is.na(result(UR)) , ] # Remove empty rows UR <- population * UR test <- c(test, UR) marginals <- c(marginals, colnames(UR)[UR@marginal]) } # Step estimates: value is 1 below threshold and above ERF, and 0 in between. # frexposed cannot be used with Step because this may be used at individual and maybe at population level. Step <- ERF Step@output <- Step@output[Step@output$ERF_parameter %in% c( "Step", "Step bw", "ADI", "ADI bw", "TDI", "TDI bw", "RDI", "RDI bw", "NOAEL", "NOAEL bw") , ] if(nrow((Step * dose)@output) > 0) { Step <- 1 - (dose >= threshold) * (dose <= Step) # Actual equation Step <- unkeep(Step, prevresults = TRUE, sources = TRUE) Step <- oapply(Step, cols = "Exposure_agent", FUN = sum) # out3 <- (population * 0 + 1) * Step # This is to maintain the ovariable structure # Does not work because population may be numeric. test <- c(test, Step) marginals <- c(marginals, colnames(Step@output)[Step@marginal]) } ##################################################################### # Combining effects if(length(test) == 0) return(data.frame()) if(length(test) == 1) out <- test[[1]] if(length(test) == 2) out <- orbind(test[[1]], test[[2]]) if(length(test) == 3) out <- orbind(orbind(test[[1]], test[[2]]), test[[3]]) out <- Ovariable(output = out, marginal = colnames(out) %in% marginals) return(out) } ) ################################## Varsinainen malli alkaa tästä library(OpasnetUtils) library(ggplot2) library(rgdal) library(maptools) library(RColorBrewer) library(classInt) library(OpasnetUtilsExt) library(RgoogleMaps) language <- "EN" openv.setN(1) objects.latest("Op_en6007", code_name = "answer") # [[OpasnetUtils/Drafts]] findrest objects.latest("Op_en6289", code_name = "initiate") # [[Building model]] buildings, heatingEnergy. # Generic building model. objects.latest("Op_en5417", code_name = "initiate") # [[Population of Kuopio]] population objects.latest("Op_en5932", code_name = "initiate") # [[Building stock in Kuopio]] Building ovariables: buildingStock, renovation, #renovationShares, construction, constructionAreas, buildingTypes, heatingShares, heatingSharesNew, eventyear, efficiencies objects.latest("Op_en3435", code_name = "disperse") # [[Exposure to PM2.5 in Finland]] iF, emissionLocations #Summarised Piltti matrix, another copy of the code on a more reasonable page # Default run: en.opasnet.org/en-opwiki/index.php?title=Special:RTools&id=aXDIVDboftr1bTEd objects.latest("Op_en2791", code_name = "initiate") # [[Emission factors for burning processes]] emissionFactors, fuelTypes objects.latest("Op_en5488", code_name = "initiate") # [[Energy use of buildings]] energyUse, efficienciesNew, savingPotential, objects.latest('Op_en2261', code_name = 'initiate') # [[Health impact assessment]] ovariables totcases, AF, totcases2. objects.latest('Op_en5917', code_name = 'initiate') # [[Disease risk]] disincidence objects.latest('Op_en5827', code_name = 'initiate') # [[ERFs of environmental pollutants]] ERF, threshold #objects.latest('Op_en5453', code_name = 'initiate') # [[Burden of disease in Finland]] BoD frexposed <- 1 # fraction of population that is exposed bgexposure <- 0 # Background exposure to an agent (a level below which you cannot get in practice) BW <- 70 # Body weight (is needed for RR calculations although it is irrelevant for PM2.5) directs <- opbase.data("Op_en5461", subset = "Direct inputs") colnames(iF@output)[colnames(iF@output) == "City.area"] <- "Emission_site" colnames(iF@output)[colnames(iF@output) == "Emissionheight"] <- "Emission_height" colnames(emissionLocations@data) <- gsub(" ", "_", colnames(emissionLocations@data)) # Calculate intake fractions for Kuopio districts districts <- tidy(opbase.data("Op_en3435.kuopio_city_districts"), widecol = "Location") # [[Exposure to PM2.5 in Finland]] colnames(districts) <- gsub("\\.", "_", colnames(districts)) districts <- Ovariable("districts", data = data.frame(districts, Result = 1)) if(language == "EN") deci <- "Decisions" else deci <- "Päätökset" decisions <- opbase.data('Op_en5461', subset = deci) # [[Climate change policies and health in Kuopio]] DecisionTableParser(decisions) # Remove previous decisions, if any. rm( "buildings", "buildingStock", "buildingTypes", "construction", "efficiencies", "efficienciesNew", "energyUse", "heatingShares", "heatingSharesNew", "renovation", "renovationShares", "fuelTypes", "year", envir = openv ) fuelTypes <- CheckDecisions(EvalOutput(fuelTypes, verbose = TRUE)) oprint(fuelTypes) #################### Manage the data before calculating # The building stock is measured as m^2 floor area. if(!exists("language")) language <- "FI" obsyear <- (192:205) * 10 ####### Remove columns and rows that are not needed from data. These must be done before EvalOutput. # This is the population of Kuopio (i.e. population living in the building stock) population <- EvalOutput(population, verbose = TRUE) pop <- oapply(population, cols = "City_area", FUN = "sum") # Sum across city areas. pop <- unkeep(pop * 1, prevresults = TRUE) # Remove populationResult column because it would cause trouble in merge. pop <- population / pop oprint(population) buildingStock@data <- buildingStock@data[ buildingStock@data$Observation == "AreaHR" , colnames(buildingStock@data) != "Observation" ] buildingStock <- buildingStock * pop construction@data <- construction@data[ construction@data$Observation == "Area" , colnames(construction@data) != "Observation" ] construction <- construction * constructionAreas / 100 / 3 # Statistics are for three years (2010-2012) oprint(buildingStock) oprint(construction) energyUse@data <- energyUse@data[ energyUse@data[["Energy use"]] == "Heat" , colnames(energyUse@data) != "Energy use" ] savingPotential@data <- savingPotential@data[ savingPotential@data$Observation == "Relative" , colnames(savingPotential@data) != "Observation" ] savingPotential <- 1 - savingPotential / 100 # Note: If you add decisions to savingPotential, this formula must be updated. # The data are not yet specific to construction year, so remove index: heatingSharesNew@data <- heatingSharesNew@data[colnames(heatingSharesNew@data) != "Constructed"] # Fill in Heating types and convert from % to fraction. heatingSharesNew <- findrest(heatingSharesNew, cols = "Heating", total = 100) result(heatingSharesNew) <- result(heatingSharesNew) / 100 heatingShares <- EvalOutput(heatingShares, verbose = TRUE) result(heatingShares) <- result(heatingShares) / 100 # From % to fraction # Fill in the rest of the data (the last emission class was omitted because it is determined by the total). efficienciesNew <- findrest(efficienciesNew, cols = "Efficiency", total = 100) result(efficienciesNew) <- result(efficienciesNew) / 100 # When renovations are done, which type are they? renovationShares <- findrest(renovationShares, cols = "Renovation", total = 100) result(renovationShares) <- result(renovationShares) / 100 # What fraction of buildings is renovated per year? renovation <- EvalOutput(renovation, verbose = TRUE) result(renovation) <- result(renovation) / 100 # From % to fraction #colnames(iF@output)[colnames(iF@output) == "City.area"] <- "Emission.site" #colnames(iF@output)[colnames(iF@output) == "Emissionheight"] <- "Emission.height" oprint(renovation) ###################### Actual model buildings <- EvalOutput(buildings, verbose = TRUE) ####### Sort factors buildings@output <- buildings@output[ buildings@output$EfficiencyPolicy == "BAU" , colnames(buildings@output) != "EfficiencyPolicy" ] buildings@output$Renovation <- factor( buildings@output$Renovation, levels = c("None", "General", "Windows", "Technical systems", "Sheath reform"), ordered = TRUE ) buildings@output$Efficiency <- factor( buildings@output$Efficiency, levels = c("Old", "New", "Low-energy", "Passive"), ordered = TRUE ) buildings@output$RenovationPolicy <- factor( buildings@output$RenovationPolicy, levels = c("BAU", "Active renovation", "Effective renovation"), ordered = TRUE ) heatingEnergy <- EvalOutput(heatingEnergy, verbose = TRUE) heatingEnergy <- unkeep(heatingEnergy, cols = "Building2", sources = TRUE, prevresults = TRUE) if(exists("server")) # The following code only works from Opasnet server. { temp <- buildings * districts temp@output <- temp@output[temp@output$Year == 2040 , ] temp <- unkeep(temp, sources = TRUE, prevresults = TRUE) temp@output <- dropall(temp@output) temp <- oapply(temp, cols = c("Building", "Heating", "Efficiency", "Renovation"), FUN = "sum", na.rm = TRUE) if(language == "EN") lege <- "Floor area" else lege <- "Rakennuspinta-ala" MyRmap( ova2spat(temp, coord = c("E", "N"), proj4string = "+init=epsg:3067"), # National Land Survey uses EPSG:3067 (ETRS-TM35FIN) plotvar = "Result", legend_title = lege, numbins = 8, pch = 19, cex = 2 ) } ####### Calculate emissions emis <- heatingEnergy emis@output <- emis@output[emis@output$Year >= 1980 , ] emis <- oapply(emis, cols = c("Efficiency", "Renovation", "Building"), FUN = "sum") emis@output$Year <- as.numeric(as.character(emis@output$Year)) emis <- emis * fuelTypes * emissionFactors * 3.6 * 1E-9 # convert from kWh /a to MJ /a and mg to ton emis <- unkeep(emis, sources = TRUE, prevresults = TRUE) emis <- emis * emissionLocations emis@output$Emission_site <- ifelse( emis@output$Emission_site == "At site of consumption", as.character(emis@output$City_area), as.character(emis@output$Emission_site) ) emis2 <- oapply( emis, cols = c("Heating", "Burner", "Fuel", "City_area", "Emission_site", "Emission_height", "emissionLocationsSource"), FUN = sum ) ggplot(emis@output, aes(x = Year, weight = Result, fill = Emission_site)) + geom_bar() + facet_grid( Pollutant ~ ., scales = "free_y") ### Use these population and iF values in health impact assessment. Why? pop <- 5E+5 iF <- 1E-7 exposure <- Ovariable("exposure", # emis is in ton /a # iF = conc (g /m3) * pop (#) * BR (m3 /s) / emis (g /s) <=> conc = emis * iF / BR / pop # conc is the exposure concentration dependencies = data.frame(Name = c("emis2", "iF", "pop")), formula = function(...) { BR <- 20 # Nominal breathing rate (m^3 /d) BR <- BR / 24 / 3600 # m^3 /s out <- 1E+12 / 365 / 24 / 3600 # Emission scaling from ton /a to ug /s. out <- (emis2 * out) * iF / BR / pop # the actual equation out <- unkeep(out, prevresults = TRUE, sources = TRUE) return(out) } ) exposure <- EvalOutput(exposure, verbose = TRUE) colnames(exposure@output)[colnames(exposure@output) == "Pollutant"] <- "Exposure_agent" ggplot(exposure@output, aes(x = Year, weight = exposureResult)) + geom_bar() + facet_grid(Exposure_agent ~ FuelPolicy, scales = "free_y") totcases <- totcases2 # This is temporary, until totcases2 is established and replaces totcases. totcases <- EvalOutput(totcases) DW <- Ovariable("DW", data = data.frame(directs[c("Exposure.agent", "Disease")], Result = directs$DW)) L <- Ovariable("L", data = data.frame(directs[c("Exposure.agent", "Disease")], Result = directs$L)) #ggplot(cases@output[cases@output$Causes == "PM2.5+" , ], aes(x = Year, weight = Result/10, fill = Disease)) + geom_bar() + facet_grid(FuelPolicy ~ RenovationPolicy, scale = "free_y") DALYs <- cases * DW * L DALYs <- oapply(DALYs, cols = c("Disease"), FUN = sum) ggplot(DALYs@output[DALYs@output$Causes == "PM2.5+" , ], aes(x = Year, weight = Result/10, fill = Response.metric)) + geom_bar() + facet_grid(FuelPolicy ~ RenovationPolicy, scale = "free_y") ############################# Plot graphs ######## Buildings in Kuopio on map if(exists("server")) # The following code only works from Opasnet server. { if(language == "EN") lege2 <- "Age of building" else lege2 <- "Rakennuksen ikä" shp <- readOGR('PG:host=localhost user=postgres dbname=spatial_db','kuopio_house') proj4string(shp) <- ("+init=epsg:3067") # The map projection of NLS Finland. epsg4326String <- CRS("+proj=longlat +ellps=WGS84 +datum=WGS84 +no_defs") shp2 <- spTransform(shp,epsg4326String) # Convert to longitude-latitude projection. MyRmap(shp2, plotvar = "ika", legend_title = lege2, numbins = 8, pch = 19, cex = 0.3) # Draw the map. } if(exists("server")) BS <- 24 else BS <- 12 ### Impact graphs in ENGLISH if(language == "EN") { plo <- ggplot(buildings@output) + geom_bar() + facet_grid(. ~ RenovationPolicy) + theme_gray(base_size = BS) + aes(x = Year, weight = buildingsResult/1000000, fill = Renovation) + labs(y = "Floor area (M m2)", title = "Building impacts of renovation policy") print(plo) plo <- ggplot(heatingEnergy@output) + geom_bar() + facet_grid(. ~ RenovationPolicy) + theme_gray(base_size = BS) + labs(title = "Energy impacts of renovation policy", y = "Heating energy need (GWh /a)") + aes(x = Year, weight = heatingEnergyResult/1E+6, fill = Heating) print(plo) emis@output <- emis@output[emis@output$Renovation == "BAU" , ] plo <- ggplot(emis@output) + geom_bar() + facet_grid(Pollutant ~ FuelPolicy, scales = "free_y") + theme_gray(base_size = BS) + labs(title = "Emission impacts of biofuel policy", y = "Emissions to air (ton /a)") + aes(x = Year, weight = Result, fill = Fuel) print(plo) plo <- ggplot(health@output) + geom_bar() + facet_grid(FuelPolicy ~ RenovationPolicy) + theme_gray(base_size = BS) + labs(title = "Health impacts of fuel and renovation policy", y = "Premature deaths (# /a)") + aes(x = Year, weight = Result, fill = Heating) print(plo) } ### Impact graphs in FINNISH if(language == "FI") { plo <- ggplot(buildings@output) + geom_bar() + facet_grid(. ~ Remonttipolitiikka) + theme_gray(base_size = BS) + aes(x = Year, weight = buildingsResult/1000000, fill = Renovation) + labs(y = "Rakennuspinta-ala (M m2)", title = "Remonttipolitiikan vaikutus rakennuskantaan") print(plo) plo <- ggplot(heatingEnergy@output) + geom_bar() + facet_grid(. ~ Remonttipolitiikka) + theme_gray(base_size = BS) + labs(title = "Remonttipolitiikan vaikutus energiankulutukseen", y = "Lämmitysenergian tarve (GWh /a)") + aes(x = Year, weight = heatingEnergyResult/1E+6, fill = Heating) print(plo) emis@output <- emis@output[emis@output$Remonttipolitiikka == "BAU" , ] plo <- ggplot(emis@output) + geom_bar() + facet_grid(Pollutant ~ Bioenergiapolitiikka, scales = "free_y") + theme_gray(base_size = BS) + labs(title = "Bioenergiapolitiikan päästövaikutukset", y = "Päästöt ilmaan (ton /a)") + aes(x = Year, weight = Result, fill = Fuel) print(plo) plo <- ggplot(health@output) + geom_bar() + facet_grid(Bioenergiapolitiikka ~ Remonttipolitiikka) + theme_gray(base_size = BS) + labs(title = "Remontti- ja bioenergiapolitiikan terveysvaikutukset", y = "Ennenaikaisia kuolemia (# /a)") + aes(x = Year, weight = Result, fill = Heating) print(plo) }

Työtehtäviä Urgenche-kuukausikokouksesta

• Käännä tämä sivu englanniksi ja rakenna, jos mahdollista, päätöstaulu yhteenvedoksi.
• Tee suunnitelma siitä, miten kaupunkeja lähestytään niin, että saadaan metodi- ja keisityö etenemään.
  • Perehdytään kaupunkien politiikkasuunnitelmiin (aiemmista esityksistä tai muuten).
  • Keskusteleen kaupunkien kanssa heidän tarpeistaan.
  • Markkinoidaan metodityöpake(tin/ttien) osaamista ja työkaluja, jotta kaupungit näkisivät mahdollisuuksia.
• Käynnistetään jokin konkreettinen mallinnustyö.
• Päätetään, mikä asia halutaan valmiiksi Tessalonikin kokoukseen mennessä ja aikataulutetaan se.
• Suunnitellaan Tessalonikin-kokouksen hands-on sessio, kunhan Clivelta kuullaan raamit.

----#: . Tilanne 22.2.2013.

• Jounin kanssa käydyissä keskusteluissa päädyttiin siihen, että seuraavaksi rakennetaan päätöstaulu liittyen Kuopion rakennuskantaan. Tämä yhdistetään tai sen tietoja hyödynnetään siten, että päätösvaihtoehdot rakennusten energiankulutuksen suhteen saadaan lisättyä energiabalanssimalliin. Tämä esitellään Thessalonikin kokouksessa.
• Mallia tarjotaan muille kaupungeille.
• Jorma Takkiselta/Kuopion Energia on pyydetty sähkönkulutustietoja, toiveena että ne toimitettaisiin maaliskuun aikana. --Marjo 10:54, 22 February 2013 (EET) (type: truth; paradigms: science: comment)

Kasvihuonekaasupäästöjen vähentäminen Kuopiossa: skenaariopalaverit

Energiantuotanto

• Aika: to 22.11.2012 klo 09:00-10:45
• Paikka: Kokoushuone 4, Valtuustovirastotalo, Suokatu 42, 70110 KUOPIO

Läsnä:

• Marjo Niittynen, Terveyden ja Hyvinvoinnin Laitos
• Arja Asikainen, Terveyden ja Hyvinvoinnin Laitos
• Tapio Kettunen, Kuopion kaupunki, Energiatehokkuushanke
• Erkki Pärjälä, Kuopion kaupunki, Ympäristönsuojelutoimisto
• Mikko Savastola, Kuopion kaupunki, Ympäristönsuojelutoimisto
• Peter Seppälä, Kuopion Energia
• Iivo Vänskä, Kuopion kaupunki, Asemakaavoitus
• Kaisa-Mari Immonen, Kuopion kaupunki, Strateginen maankäytön suunnittelu

Asiat:

Kokouksessa esiteltiin URGENCHE- hanke ja sen taustat ja tavoitteet. Tämän jälkeen keskusteltiin energiantuotannon päästövähennysmahdollisuuksista Kuopiossa sekä päätettiin mitä asioita energiantuotantoa koskevaan päästövähennysskenaarioon otetaan mukaan. Päädyttiin selvittämään ja keräämään tietoa kolmesta asiakokonaisuudesta, jotka ovat:

Haapaniemen voimalaitosten energiantuotanto

Peter Seppälä (Kuopion Energia) arvioi, että Haapaniemi 3- ja Haapaniemi 2- voimalaitosten polttoaineina käytetään vuodesta 2014 eteenpäin 50 % turvetta ja 50 % biopolttoaineita. Tämä on polttoaineiden saatavuuden ja huoltovarmuuden näkökulmasta realistinen arvio, kun Haapaniemi 2- voimalaitos on muutettu pölypoltosta leijupoltolle. Tällöin Haapaniemen voimalaitosten CO2-päästöt olisivat noin 324 000 t vuodessa. Kyseisellä päästötasolla Kuopion ilmastopoliittisen ohjelman – 40 % päästötavoite vuoteen 1990 verrattuna on mahdollista saavuttaa jo vuonna 2014.

Sovittiin, että Marjo Niittynen laatii taulukon energiantuotantoskenaarioon tarvittavista tiedoista (vuodet, energia, polttoaineet, päästöt). Kuopion Energia täyttää taulukossa kysytyt tiedot tämänhetkisten arvioiden mukaan. Taulukossa on arviot mm. keskimääräisistä odotettavista polttoaineosuuksista ja -määristä, teoreettinen maksimi biopolttoaineille – vaihtoehto sekä näitä koskevat päästötiedot. Kuopion Energia toimittaa URGENCHE-hankkeelle arvion/mallin siitä, miten muutokset energiankulutuksessa (Haapaniemellä tuotettu sähkö/lämpö) tulee huomioida koko kaupungin CO2-päästöjä laskettaessa.

Hajautettu energiantuotanto

THL:lla keskustellaan vielä laaditaanko tällainen skenaario vai ei. Ajatuksena olisi laskea, millainen muutos Haapaniemen energiantuotannossa (ja päästöissä) tapahtuisi, jos XX % Kuopion pien- ja kerrostalojen lämmityksestä siirtyisi kiinteistökohtaiseen lämmitykseen biopolttoaineilla. Lisäksi arvioidaan millainen vaikutus tällä olisi koko kaupungin päästöihin (CO2 ja hiukkaset). Jos päästötiedot aiotaan saada myös paikkatietona (leviämismalli), tästä pitää tehdä nopea päätös, että tulokset saadaan Thessalonikin kokoukseen huhtikuussa.

Hajautettua energiantuotantoa ei tutkita aluelämmön (esim. pienen alueen hakekattilat) käytön näkökulmasta sen epärealistisuuden vuoksi.

Laajamittainen siirtyminen uusiutuviin energialähteisiin

Selvitetään, miten laajamittainen (=jokin arvio) siirtyminen maalämmön, aurinkoenergian tai tuulivoiman käyttöön vaikuttaisi Haapaniemen lämpökuorman tarpeeseen ja päästöihin sekä koko kaupungin päästöihin. Asiaa selvitetään ja tehdään laskennallinen arvio.

Liikenne ja maankäyttö

• Aika: to 29.11.2012 klo 09:00-10:45
• Paikka: Kokoushuone 4, Valtuustovirastotalo, Suokatu 42, 70110 KUOPIO

Läsnä:

• Marjo Niittynen, Terveyden ja Hyvinvoinnin laitos
• Arja Asikainen, Terveyden ja Hyvinvoinnin laitos
• Jouni Tuomisto, Terveyden ja Hyvinvoinnin laitos
• Tapio Kettunen, Kuopion kaupunki, Energiatehokkuushanke
• Erkki Pärjälä, Kuopion kaupunki, Ympäristönsuojelutoimisto
• Mikko Savastola, Kuopion kaupunki, Ympäristönsuojelutoimisto
• Mervi Heiskanen, Kuopion kaupunki, Kunnallistekniikan suunnittelu
• Pauli Sonninen, Kuopion kaupunki, Asemakaavoitus
• Kaisa-Mari Immonen, Kuopion kaupunki, Strateginen maankäytön suunnittelu

Asiat:

Kokouksessa esiteltiin URGENCHE- hanke ja sen taustat ja tavoitteet. Tämän jälkeen keskusteltiin liikenteen ja maankäytön päästövähennysmahdollisuuksista Kuopiossa sekä päätettiin mitä asioita liikennettä ja maankäyttöä koskevaan päästövähennysskenaarioon otetaan mukaan.

Maankäyttö ja liikennesuunnittelu: Kaisa-Mari Immonen selvittää onko loppuvuoden aikana mielekästä tilata päivitystä ennusteelle liikenneverkosta (2020/2025/2030?). Jos tämä tehdään, siitä saadaan URGENCHE-hankkeeseen ennuste liikennemääristä ja sitä kautta leviämismallien avulla arviot ilmansaasteista (PM-pitoisuudet), melusta ja näille altistumisesta. Tämä vastaisi varsin hyvin työpaketissa WP 5 Urban Traffic esitettyihin datapyyntöihin. Ympäristönsuojelutoimistolla on mahdollisuus rahoittaa työtä tämän vuoden budjetista, mutta päätös asiassa pitää tehdä nopeasti.

Liikenteen biopolttoaineet: Jos liikenneverkon päivitystä ei tehdä, varasuunnitelma on se, että arvioidaan liikenteen biopolttoaineiden käytön lisäämisen vaikutuksia (muutokset liikenteen päästöissä -> altistuminen). Tämä on liikenneverkon ennusteen päivittämiseen verrattuna teoreettisempi vaihtoehto.

Raideliikenne: Todettiin, että Kuopiossa on aika vähän asukkaita raideliikenteen lähettyvillä. Näillä näkymin raideliikenne ei näytä kannattavalta, vaikka asutusta tulevaisuudessa keskitettäisiinkin radan lähelle. Kuopiosta pohjoiseen on vain yksi raide, mikä myös vaikeuttaa paikallisen raideliikenteen aloittamista. Mahdollisuus paikallisen raideliikenteen aloittamiseen pidetään kuitenkin jollain tasolla mukana kaupungin suunnittelussa. Kaupunki ei kuitenkaan lähde tässä vaiheessa rahoittamaan aiheeseen liittyviä hankkeita.

Yleistä/muuta: Todettiin, että kaavoitusta ja liikennesuunnittelua on totuttu tekemään pitkälti yksityisautoilun ehdoilla. Tarvitaan kulttuurin muutosta, että pyöräilyn, kävelyn ja joukkoliikenteen asiaa huomioitaisiin suunnittelussa nykyistä voimakkaammin. Toisaalta esimerkiksi uusi kävelykeskusta tulee edistämään kävelyä ja pyöräilyä.

Maankäyttöön ja liikenteeseen liittyen on eri tahoilla ajatuksia ja suunnitelmia, jotka eivät välttämättä ole lähellä toteutumista, mutta jotka voivat olla URGENCHEN kannalta mielenkiintoisia. Näiden osalta voidaan URGENCHE-hankkeessa tehdä arviointeja, jotka antavat tietoa toteuttamisen seurauksista tai toteutusvaihtoehtojen eroista.

Joukkoliikenne kilpailutetaan huomattavasti nykyistä laajemmin ensi vuoden aikana. Kuopiossa joukkoliikenteen käyttäjämäärissä on ollut 4-5 % kasvua tänä vuonna.

Rakennusten energiatehokkuus

• Aika: ti 4.12.2012 klo 13:00–14:45
• Paikka: Kokoushuone 4, Valtuustovirastotalo, Suokatu 42, 70110 KUOPIO

Läsnä:

• Marjo Niittynen, Terveyden ja Hyvinvoinnin Laitos
• Arja Asikainen, Terveyden ja Hyvinvoinnin Laitos
• Jouni Tuomisto, Terveyden ja Hyvinvoinnin Laitos
• Virpi Kollanus, Terveyden ja Hyvinvoinnin Laitos
• Matti Jantunen, Terveyden ja Hyvinvoinnin Laitos
• Tapio Kettunen, Kuopion kaupunki, Energiatehokkuushanke
• Erkki Pärjälä, Kuopion kaupunki, Ympäristönsuojelutoimisto
• Mikko Savastola, Kuopion kaupunki, Ympäristönsuojelutoimisto
• Jorma Takkinen, Kuopion Energia

Asiat:

Kokouksessa esiteltiin URGENCHE- hanke ja sen taustat ja tavoitteet. Tämän jälkeen keskusteltiin rakennusten energiatehokkuuteen liittyvistä päästövähennysmahdollisuuksista Kuopiossa sekä päätettiin miten edetään tätä asiakokonaisuutta koskevan päästövähennysskenaarion kanssa.

Rakennusmääräykset Uudet rakennusmääräykset ovat sen verran tiukkoja, että Kuopiossa ei ole mahdollista eikä mielekästä velvoittaa toimimaan näitä määräyksiä tiukemmin.

Rakennuskanta ja energiankulutustiedot

Selvitetään seuraavat asiat kaupungin rakennusvalvonnasta:

• 1. Paljonko rakennuskannasta poistuu rakennuksia vuosittain (eri rakennustyypit)?
• 2. Paljonko tulee uutta rakennuskantaa vuosittain?
• 3. Kuinka paljon nykyisestä rakennuskannasta peruskorjataan vuosittain?

• Hankkeen hallussa olevista tietokannoista (energiankulutukset, rakennuskanta) yritetään laatia muutaman kymmenen kiinteistön kattava otos, jossa saadaan yhdistettyä erilaisten ja eri-ikäisten rakennustyyppien energiankulutukset yksittäisiin rakennuksiin. Mikäli tämä ei onnistu riittävän hyvin, keskustellaan Kuopion Energian kanssa mahdollisuudesta saada tarkempia tietoja kiinteistöjen energiankulutuksesta niin, että yksittäisten asiakkaiden tietoja ei tarvitse paljastaa.

• Erilaisten rakennusten energiankulutuksista ennen ja jälkeen peruskorjauksen saadaan tietoa Kuopion kaupungin tilakeskuksesta.

• Näiden tietojen (rakennuskannan muutokset, kiinteistöjen energiankulutukset, peruskorjausten vaikutus) avulla voidaan kehittää hankkeen mallia ja saada arvioita rakennusten energiatehokkuuden mahdollisuuksista päästövähennyksissä sekä energiatehokkuuden parantamisen vaikutuksista muihin hankkeessa mukana oleviin asioihin.

Muuta

• Kiinteistöjen energiatehokkuuden parantamisessa on selkeää potentiaalia koulutuksen ja tiedottamisen kautta. Isännöitsijöiden, kiinteistönhoitajien ja kiinteistöjen käyttäjien on mahdollista vähentää kiinteistöjen energiankulutusta tekemällä järkeviä hankintoja, kunnossapidon ja säätöjen avulla sekä oikeiden käyttötottumusten kautta. Näiden avulla arvioidaan saavutettavan keskimäärin 10 % vähennys energiankulutuksessa.

• Energiantuotannon (keskitetty lämmön ja sähkön yhteistuotanto) ja Kuopion kaupungin CO2-taseen näkökulmasta sähkönkulutukseen liittyvät energiatehokkuustoimet ovat ensiarvoisen tärkeitä erityisesti niissä kiinteistöissä, jotka ovat kaukolämmityksessä.