Himalayan Mountains seen from Space

W ciągu ostatnich miesięcy zespół World Air Quality pracował nad analizą kilku nowych modeli prognoz jakości powietrza, a także udoskonaleniem demonstratora modelu prognozy jakości powietrza.

W artykule zaprezentowany zostanie najnowszy demonstrator modelu prognostycznego, który opiera się na siatkowej populacji świata ( GPW ), i który zostanie zastosowany do analizy prognozy jakości powietrza dla regionu północnych Indii (m.in. Bangladeszu, Pakistanu i Nepalu).

Model prognozy i obliczenia nadal opierają się na prognozie wiatru GFS, jak wykazaliśmy w poprzednim artykule na temat prognozy dla regionu Pekinu, że wiatr jest istotnym elementem prognozowania jakości powietrza.

Jednakże w przeciwieństwie do poprzedniej symulacji, w której źródła zanieczyszczeń zostały arbitralnie zlokalizowane w określonych lokalizacjach w regionie Hebei, model zastosowany w tej prognozie dla północnych Indii opiera się na siatkowej populacji świata (znanej również jako GPW 2015 ) z Uniwersytetu Kolumbii CIESIN ^[1] :

Zakłada się, że im większa liczba osób zamieszkuje dany obszar, tym większe jest ryzyko powstania zanieczyszczeń antropogenicznych .

Rzeczywiście nie jest to założenie w 100% poprawne, ponieważ zanieczyszczenia generowane przez przemysł ciężki mogą być znacznie wyższe niż zanieczyszczenia generowane przez ludność, ale tym zajmiemy się w następnym artykule. Zatem w tym artykule celem jest sprawdzenie wpływu wiatru na zanieczyszczenia przy założeniu korelacji między gęstością zaludnienia a stężeniem zanieczyszczeń.

Poniższy obraz przedstawia model gęstości (w rozdzielczości 0,2°) zastosowany do symulacji. Każdy „piksel” lub punkt na tej siatkowej mapie jest uważany za źródło zanieczyszczeń. Kolor zielony jest używany w przypadku regionów o małej gęstości zaludnienia, które generują bardzo małą ilość zanieczyszczeń, natomiast kolory ciemniejsze oznaczają strefy, w których zarówno liczba ludności, jak i generowane zanieczyszczenia są wyższe.

Population Density (persons per square meter)

Poniższa animacja przedstawia stężenie w czasie rzeczywistym w oparciu o aktualne ^[2] dane dotyczące wiatru. Należy pamiętać, że kodowanie kolorami i powiązane z nim poziomy stężeń są arbitralne i nie można (i nie należy) wiązać ich bezpośrednio z poziomami AQI bez dalszej pracy. Zasadniczą ideą jest wykreślenie na podstawie prognozy warunków wiatrowych stref, w których istnieje większe prawdopodobieństwo wystąpienia wysokiego lub bardzo wysokiego stężenia substancji zanieczyszczających.

Bez większego zaskoczenia New Delhi odnotowuje wysoki poziom koncentracji zanieczyszczeń, ale naprawdę interesujące jest porównanie sytuacji w New Delhi z Pekinem: w Pekinie na bliskiej północy dosłownie prawie nie ma zanieczyszczeń antropogenicznych, więc gdy wieje wiatr z północy, powietrze zostaje natychmiast oczyszczone. Jednak w przypadku New Delhi gęstość zaludnienia na północy jest nadal dość wysoka, więc szanse na natychmiastowe uzyskanie czystego powietrza z północy są znacznie niższe. Krótko mówiąc, New Delhi wymaga znacznie większej wentylacji (lub skumulowanej energii wiatru), aby oczyścić powietrze.

Druga obserwacja dotyczy sytuacji w Bangladeszu: z powyższej symulacji wynika, że zanieczyszczenia są w sposób oczywisty zatrzymywane w Bangladeszu przez bliskość gór na wschodzie i północy. Właściwie nie jest to zaskoczeniem dla nikogo, kto mieszkał w Dhace.

(Uwaga: kilka dni po napisaniu tego artykułu Konsultat USA w Dhace zaczął publikować swoje dane dotyczące jakości powietrza, które można znaleźć pod tym linkiem: city/bangladesh/dhaka/us-consulate ).

Więcej informacji na temat jakości powietrza w Bangladeszu można znaleźć na tej stronie: country/bangladesh/ .

Podsumowując, ten model prognostyczny jest wciąż daleki od ukończenia, ale przynajmniej ma tę zaletę, że pokazuje wpływ wiatru na stężenie zanieczyszczeń w północnych Indiach, a zwłaszcza sposób, w jaki Himalaje zatrzymują zanieczyszczenia powietrza. W kolejnej wersji wprowadzimy ulepszoną wersję źródeł zanieczyszczeń, uwzględniającą znany dodatni strumień, który możemy wywnioskować z obserwacji.