Himalayan Mountains seen from Space

В течение последних месяцев команда World Air Quality работала над анализом нескольких новых моделей прогнозирования качества воздуха, а также над улучшением демонстратора модели прогнозирования качества воздуха.

В этой статье будет представлен последний демонстратор модели прогноза, основанный на решетчатой населенности мира ( GPW ) и который будет применяться для анализа прогноза качества воздуха для региона Северной Индии (включая Бангладеш, Пакистан и Непал).

Модель прогноза и расчеты по-прежнему основаны на прогнозе ветра GFS, поскольку в предыдущей статье о прогнозе в регионе Пекина мы продемонстрировали, что ветер является важным компонентом прогнозирования качества воздуха.

Однако, в отличие от предыдущего моделирования, где источники загрязнения произвольно располагались в определенных местах в регионе Хэбэй, модель, используемая для этого прогноза Северной Индии, основана на координатной сетке населения мира (также известной как GPW 2015 ) из Колумбийского университета CIESIN. ^[1] :

Предполагается, что чем больше людей проживает на данной территории, тем выше вероятность возникновения антропогенного загрязнения.

Это действительно не на 100% правильное предположение, поскольку загрязнение, создаваемое тяжелой промышленностью, может быть намного выше, чем загрязнение, создаваемое населением, но об этом мы поговорим в нашей следующей статье. Итак, в этой статье мы хотим проверить влияние ветра на загрязнение, исходя из предположения о корреляции между плотностью населения и концентрацией загрязнения.

На изображении ниже показана модель плотности (с разрешением 0,2°), использованная для моделирования. Каждый «пиксель» или точка на этой карте с координатной сеткой считается источником загрязнения. Зеленый цвет используется для регионов с низкой плотностью населения, которые производят очень небольшое количество загрязнения, а более темные цвета обозначают зоны, где как численность населения, так и уровень загрязнения выше.

Population Density (persons per square meter)

Анимация ниже показывает концентрацию в реальном времени на основе фактических ^[2] данных о ветре. Обратите внимание, что цветовое кодирование и соответствующие уровни концентрации являются произвольными и не могут (и не должны) быть однозначно связаны с уровнями AQI без дополнительной работы. Основная идея состоит в том, чтобы на основе прогноза ветровых условий построить зоны, которые с большей вероятностью будут иметь высокую или очень высокую концентрацию загрязняющих веществ.

Без особого удивления, в Нью-Дели наблюдается высокий уровень концентрации загрязнения, но что действительно интересно, так это сравнить ситуацию в Нью-Дели с Пекином: в Пекине на ближайшем севере буквально почти нет антропогенного загрязнения, поэтому когда ветер дует с севера, воздух сразу очищается. Но для Нью-Дели плотность населения на севере все еще довольно высока, поэтому шансы на немедленное получение чистого воздуха с севера гораздо ниже. Другими словами, Нью-Дели требует гораздо большего объема вентиляции (или накопленной энергии ветра), чтобы очистить воздух.

Второе наблюдение касается ситуации в Бангладеш: Судя по приведенному выше моделированию, загрязнение явно задерживается в Бангладеш из-за близости гор на востоке и севере. На самом деле это не является сюрпризом для тех, кто жил в Дакке.

(Примечание: через несколько дней после написания этой статьи Консультация США в Дакке начала публиковать свои данные о качестве воздуха, которые вы можете найти по этой ссылке: city/bangladesh/dhaka/us-consulate ).

Для получения дополнительной информации о качестве воздуха в Бангладеш вы можете обратиться к этой странице: страна/бангладеш/ .

В заключение отметим, что эта прогнозная модель еще далека от завершения, но, по крайней мере, она имеет то преимущество, что показывает влияние ветра на концентрацию загрязнения в Северной Индии и особенно то, как Гималайские горы удерживают загрязнение воздуха. В следующей версии мы представим расширенную версию источников загрязнения с учетом известного положительного потока, который мы можем вычесть из наблюдений.