Himalayan Mountains seen from Space

През последните месеци екипът на World Air Quality работи върху анализирането на няколко нови модела за прогнозиране на качеството на въздуха, както и върху подобряването на демонстратора на модела за прогнозиране на качеството на въздуха.

Тази статия ще представи най-новия демонстратор на прогнозен модел, който се основава на мрежата на населението на света ( GPW ) и който ще бъде приложен за анализ на прогнозата за качеството на въздуха за региона на Северна Индия (включително Бангладеш, Пакистан и Непал).

Прогнозният модел и изчислението все още се основават на прогнозата за вятъра на GFS, както демонстрирахме в предишната статия за прогнозата в региона на Пекин, че вятърът е съществен компонент за прогнозиране на качеството на въздуха.

Въпреки това, за разлика от предишната симулация, където източниците на замърсяване бяха произволно разположени на определени места в района на Хъбей, моделът, използван за тази прогноза за Северна Индия, се основава на мрежата на населението на света (известен още като GPW 2015 ) от Колумбийския университет CIESIN ^[1] :

Предположението е, че колкото по-голям е броят на хората, живеещи в даден район, толкова по-голям е шансът за генериране на антропогенно замърсяване.

Това наистина не е 100% правилно предположение, тъй като замърсяването, генерирано от тежката промишленост, може да бъде много по-високо от замърсяването, генерирано от населението, но това е нещо, което ще разгледаме в следващата ни статия. И така, за тази статия това, което се иска, е да се провери въздействието на вятъра върху замърсяването при предположението за връзка между гъстотата на населението и концентрацията на замърсяване.

Изображението по-долу показва модела на плътност (при разделителна способност 0,2°), използван за симулацията. Всеки „пиксел“ или точка на тази мрежова карта се счита за източник на замърсяване. Зеленият цвят се използва за региони с ниска плътност, които генерират много малко количество замърсяване, докато по-тъмните цветове представляват зони, където както населението, така и генерираното замърсяване са по-високи.

Population Density (persons per square meter)

Анимацията по-долу показва концентрацията в реално време въз основа на действителните ^[2] данни за вятъра. Обърнете внимание, че цветовото кодиране и свързаните нива на концентрация са произволни - и не могат (и не трябва) да се свързват едно към едно с нивата на AQI без допълнителна работа. Основната идея е да се начертаят зоните, които е по-вероятно да имат висока или много висока концентрация на замърсители въз основа на прогнозата за състоянието на вятъра.

Без много изненада, Ню Делхи вижда високо ниво на концентрация на замърсяване, но това, което е наистина интересно, е да се сравни ситуацията в Ню Делхи в сравнение с Пекин: В Пекин буквално няма почти никакво антропогенно замърсяване в близкия север, така че, когато вятърът духа от север, въздухът веднага се пречиства. Но за Ню Делхи гъстотата на населението на север все още е доста висока, така че шансът за незабавно получаване на чист въздух от север е много по-малък. С други думи, Ню Делхи изисква много по-голямо количество вентилация (или натрупана вятърна енергия), за да пречисти въздуха си.

Второто наблюдение е ситуацията в Бангладеш: От горната симулация, замърсяването очевидно се улавя в Бангладеш от близостта на планините на изток и север. Това всъщност не е изненада за всеки, който е живял в Дака.

(Забележка: Няколко дни след написването на тази статия, Консултът на САЩ в Дака започна да публикува своите данни за качеството на въздуха, които можете да намерите от тази връзка: city/bangladesh/dhaka/us-consulate ).

За повече информация относно качеството на въздуха в Бангладеш можете да се обърнете към тази страница: страна/бангладеш/ .

Като заключение, този прогнозен модел все още е далеч от завършен, но поне има предимството да показва влиянието на вятъра върху концентрацията на замърсяване в Северна Индия и особено как Хималайските планини улавят замърсяването на въздуха. В следващата версия ще въведем подобрена версия за източниците на замърсяване, като вземем предвид известния положителен поток, който можем да извлечем от наблюденията.