Himalayan Mountains seen from Space

在过去的几个月里，世界空气质量团队一直致力于分析几个新的空气质量预测模型，并改进空气质量预测模型演示器。

本文将介绍基于世界网格人口 ( GPW ) 的最新预测模型演示器，该模型将用于分析印度北部地区（包括孟加拉国、巴基斯坦和尼泊尔）的空气质量预测。

预报模型和计算仍然基于GFS风预报，正如我们在上一篇关于北京地区预报的文章中所论证的那样，风是空气质量预报的重要组成部分。

然而，与之前的模拟中污染源任意位于河北地区的特定位置不同，印度北部预测使用的模型基于哥伦比亚大学 CIESIN 的世界网格人口（又名GPW 2015 ） ^[1] ：

假设是，居住在特定区域的人数越多，产生人为污染的机会就越大。

这确实不是一个 100% 正确的假设，因为重工业产生的污染可能远高于人口产生的污染，但这是我们将在下一篇文章中讨论的问题。因此，本文想要在人口密度与污染浓度存在相关性的假设下验证风对污染的影响。

下图显示了用于模拟的密度模型（分辨率为 0.2°）。每个“像素”或网格地图上的点都被视为污染源。绿色用于低密度区域，这些区域产生的污染量非常小，而深色代表人口和产生的污染都较高的区域。

Population Density (persons per square meter)

下面的动画显示了基于实际^[2]风数据的实时浓度。请注意，颜色编码和相关的浓度水平是任意的 - 并且不能（也不应该）在没有进一步工作的情况下与 AQI 水平一对一关联。其基本思想是根据风况预测绘制出更有可能具有高或极高污染物浓度的区域。

不出意外，新德里的污染浓度很高，但真正有趣的是，将新德里的情况与北京进行比较：在北京，近北地区几乎没有人为污染，所以，当北风吹来时，空气立即变得清新。但对于新德里来说，北部的人口密度仍然相当高，因此立即从北部获得清洁空气的机会要低得多。换句话说，新德里需要更高的通风量（或累积风力）来净化空气。

第二个观察是孟加拉国的情况：从上面的模拟来看，由于东部和北部靠近山区，污染明显被困在孟加拉国。对于居住在达卡的任何人来说，这实际上并不奇怪。

（注：本文撰写几天后，美国驻达卡咨询机构开始发布他们的空气质量数据，您可以通过此链接找到该数据： city/bangladesh/dhaka/us-consulate ）。

有关孟加拉国空气质量的更多信息，您可以参考此页面： country/bangladesh/ 。

总而言之，这个预测模型还远未完成，但至少它的优势在于显示了风对印度北部污染浓度的影响，特别是喜马拉雅山脉如何捕获空气污染。在下一个版本中，我们将引入污染源的增强版本，考虑到我们可以从观测中扣除的已知正通量。