Himalayan Mountains seen from Space

Au cours des derniers mois, l'équipe de la Qualité de l'air dans le monde a travaillé à l'analyse de plusieurs nouveaux modèles de prévision de la qualité de l'air, ainsi qu'à l'amélioration du démonstrateur de modèle de prévision de la qualité de l'air.

Cet article présentera le dernier démonstrateur de modèle de prévision, basé sur la population mondiale quadrillée ( GPW ), et qui sera appliqué pour analyser les prévisions de la qualité de l'air pour la région du nord de l'Inde (y compris le Bangladesh, le Pakistan et le Népal).

Le modèle de prévision et le calcul sont toujours basés sur la prévision du vent GFS, comme nous l'avons démontré dans l'article précédent sur les prévisions dans la région de Pékin , que le vent est un élément essentiel pour la prévision de la qualité de l'air.

Cependant, contrairement à la simulation précédente où les sources de pollution étaient arbitrairement situées dans des endroits spécifiques de la région du Hebei, le modèle utilisé pour cette prévision du nord de l'Inde est basé sur le Gridded Population of the World (alias GPW 2015 ) de l'Université de Columbia CIESIN. ^[1] :

L’hypothèse est que plus le nombre de personnes vivant dans une zone donnée est élevé, plus le risque de pollution anthropique est élevé.

Ce n'est en effet pas une hypothèse correcte à 100% puisque la pollution générée par les industries lourdes peut être bien supérieure à la pollution générée par la population, mais c'est un point que nous aborderons dans notre prochain article. Ainsi, pour cet article, il s'agit de vérifier l'impact du vent sur la pollution sous l'hypothèse d'une corrélation entre densité de population et concentration de pollution.

L'image ci-dessous montre le modèle de densité (à une résolution de 0,2°) utilisé pour la simulation. Chaque « pixel », ou point de cette carte quadrillée, est considéré comme une source de pollution. La couleur verte est utilisée pour les régions à faible densité, qui génèrent une très faible quantité de pollution, tandis que les couleurs plus foncées représentent les zones où la population et la pollution générée sont plus élevées.

Population Density (persons per square meter)

L'animation ci-dessous montre la concentration en temps réel basée sur les données de vent réelles ^[2] . Notez que le codage couleur et les niveaux de concentration associés sont arbitraires - et ne peuvent pas (et ne doivent pas) être associés individuellement aux niveaux AQI sans autre travail. L'idée essentielle est de tracer les zones les plus susceptibles d'avoir une concentration de polluants élevée ou très élevée en fonction des conditions de vent prévues.

Sans trop de surprise, New Delhi connaît un niveau élevé de concentration de pollution, mais ce qui est vraiment intéressant est de comparer la situation à New Delhi par rapport à Pékin : à Pékin, il n'y a littéralement presque pas de pollution anthropique dans le proche nord, donc, lorsque le vent souffle du nord, l’air est immédiatement purifié. Mais pour New Delhi, la densité de population dans le nord est encore assez élevée, de sorte que les chances d'obtenir immédiatement de l'air pur en provenance du Nord sont bien plus faibles. En d’autres termes, New Delhi a besoin d’une quantité beaucoup plus élevée de ventilation (ou d’énergie éolienne cumulée) pour purifier son air.

La deuxième observation est la situation au Bangladesh : d'après la simulation ci-dessus, la pollution est évidemment piégée au Bangladesh par la proximité des montagnes à l'Est et au Nord. Ce n’est en fait pas une surprise pour quiconque vit à Dhaka.

(Remarque : quelques jours après la rédaction de cet article, le consulat américain à Dhaka a commencé à publier ses données sur la qualité de l'air, que vous pouvez trouver à partir de ce lien : city/bangladesh/dhaka/us-consulate ).

Pour plus d'informations sur la qualité de l'air au Bangladesh, vous pouvez vous référer à cette page : country/bangladesh/ .

En conclusion, ce modèle de prévision est encore loin d'être complet, mais il a au moins l'avantage de montrer l'impact du vent sur la concentration de la pollution dans le nord de l'Inde, et surtout comment les montagnes himalayennes piègent la pollution de l'air. Dans la prochaine version, nous introduirons une version améliorée pour les sources de pollution, prenant en compte les flux positifs connus que nous pouvons déduire des observations.