Numerical simulation of air quality over a Tomsk city in light wind.pdf Введение Формирование загрязнения атмосферного воздуха в городах зависит от многих факторов. Наиболее важными из них являются выбросы промышленных предприятий, автотранспорта и метеорологические условия: направление и скорость ветра, температура воздуха, стратификация атмосферы, туманы, осадки и др. [1]. Кроме этого, существенное влияние на рассеивание примесей оказывают физикогеографические условия местности, а также характеристики урбанизированной территории, зеленые массивы и водные объекты, которые образуют разные формы наземных препятствий воздушному потоку и приводят к возникновению особых метеорологических условий в городе [2]. За последние несколько десятилетий мезомасштабное (горизонтальный масштаб от 2 до 2 000 км) моделирование метеорологических процессов и загрязнения воздуха стало надежным способом проведения научных и практических исследований атмосферных процессов с целью оценки и регулирования вредных выбросов, оказывающих влияние на здоровье людей и окружающую среду [3]. Развитие вычислительных методов и параллельных компьютерных технологий в численном прогнозе погоды дало возможность эффективно использовать подходы математического моделирования для оперативных приложений и приложений, позволяющих на основе результатов моделирования принимать административные решения, регулирующие антропогенные выбросы в городах. В настоящее время в мире существует большое количество информационно -вычислительных систем краткосрочного численного прогноза качества атмосферного воздуха в городах [3]. Эти системы в основном позволяют прогнозировать погодные условия, в первую очередь ветровые характеристики, температуру и влажность в нижней части пограничного слоя. Целью прогноза являются возможные неблагоприятные метеоусловия, которые могут привести к высокому уровню загрязнения воздуха. Передовые технологии прогнозирования загрязнения воздуха основываются на создании региональных моделей атмосферы, учитывающих состояние атмосферы, рассеяние и осаждение основных загрязняющих примесей, включая влияние автомобильного транспорта. Например, в Европе 27 Математика / Mathematics используется система Enviro-HIRLAM [4] (Environment - High Resolution Limited Area Model), которая разработана как сопряженная модель численного прогноза погоды и атмосферного химического переноса для исследования и прогнозирования совместной метеорологической, химической и биологической погоды. Модель учитывает перенос и рассеивание загрязняющих веществ, химию, динамику и осаждение аэрозолей, метеопараметры. В настоящее время Enviro-HIRLAM используется для различных исследований, включая оперативное прогнозирование пыльцы для Дании и состава атмосферы для Китая. Во многих странах широкое распространение получила разработанная в США система моделирования WRF-Chem (Weather Research and Forecasting), которая активно применяется для решения многих практических задач исследования и прогноза погоды и качества атмосферного воздуха [5]. WRF-Chem моделирует выбросы, перенос, смешивание и химическое преобразование газовых примесей и аэрозолей одновременно с метеорологией. В Гидрометцентре России созданы и функционируют в режиме регулярного счета комплексы мезомасштабных моделей WRF/CHIMERE, COSMO-Ru7-ART, COSMO-Ru7/CHIMERE [6, 7]. Модель численного прогноза погоды COSMO-Ru создана в рамках международного сотрудничества стран Европы и России. Расчеты выполняются для центральных областей европейской части России. Для Европейской территории РФ реализованы версии модели COSMO с шагом сетки от 1,1 до 13,2 км, а для Сибирского региона функционирует технология COSMO-Ru-Sib с разрешением от 2,2 до 13,2 км. Модель химического переноса CHIMERE позволяет количественно предсказывать эволюцию шлейфа загрязняющих веществ с учетом химических реакций в зависимости от времени. С помощью комплексов COSMO-Ru7-ART, COSMO-Ru7/CHIMERE оценивается содержание в атмосфере различных компонентов примеси (CO, NOX, О3 и ряда других) на 2-3 суток вперед (с дискретностью по времени 1 ч) и составляются прогностические карты приземной концентрации некоторых компонент примеси с указанием температуры воздуха, скорости и направления ветра. Тестирование рассмотренных численных моделей прогноза загрязнения воздуха показало, что их погрешность соответствует погрешности существующих физико-статистических методов и обусловлена ошибками в прогнозе температуры и ветра в пограничном слое атмосферы [6, 7]. Точность прогноза температурно-влажностных характеристик определяет возможность численного предсказания условий для загрязнения атмосферы и его интенсивности. При неблагоприятных для загрязнения условиях требуется особо точное предвычисление температурно-ветровых характеристик. В этой связи являются актуальными создание новых гидродинамических моделей атмосферы и усовершенствование существующих для прогноза метеорологических условий атмосферы и уровня ее загрязнения различными компонентами с необходимой заблаговременностью и достаточной дискретностью. В Томском университете для решения такой задачи разрабатывается вычислительный комплекс, включающий мезомасштабную негидростатическую модель TSUNM3 [8], которая позволяет прогнозировать с горизонтальным разрешением 1 км метеорологические поля, а также фотохимическую модель переноса [9], в которой на основе рассчитанных метеорологических полей с разрешением 500 м оценивается распространение примесей от антропогенных и биогенных источников, расположенных в окрестностях города. 28 Старченко А.В., Шельмина Е.А., Кижнер Л.И., Одинцов С.Л. Численное моделирование качества воздуха Целью данного исследования является описание математической модели переноса примеси, численного метода и некоторых результатов применения разрабатываемого вычислительного комплекса для исследования особенностей изменения метеорологической обстановки и качества атмосферного воздуха в городе Томске в условиях слабого ветра. Описание математической модели переноса примеси Для математического описания динамики химического состава приземного слоя атмосферы вследствие эмиссии примеси и химических реакций между ее компонентами используется эйлерова континуальная модель турбулентной диффузии [10, 11]. Уравнения этой математической модели наряду с нестационарным членом включают слагаемые, описывающие горизонтальную и вертикальную адвекцию, турбулентную диффузию, осаждение, поступление первичных загрязнителей атмосферного воздуха и химические реакции между активными компонентами примеси: да диа зга dwc - + dt дх + - - + д(к C дх 1 х дх 8 к за ду 1 ^ ду + - \\ K 3z ду 3z да (1) 3z -aici + Si + Ri, i = l,..,ns. -L/2 < x < L/2; -L/2 < у 5). Результаты расчетов и анализ погоды в этих случаях указывают на наличие «слабого» ветра и в период, предшествующий повышению уровня загрязнения (например, штилевые условия отмечались 7 августа со второй половины суток), что способствова- 36 Старченко А.В., Шельмина Е.А., Кижнер Л.И., Одинцов С.Л. Численное моделирование качества воздуха ло накоплению примесей. Заметим, что, помимо «слабого» ветра, на повышение уровня загрязнения приземного воздуха могла оказать дополнительное влияние устойчивая стратификация атмосферы, приводящая к накоплению примеси вблизи поверхности земли [1, 2]. Интересно еще и то, что из шести рассмотренных дат в трех повышение API сопровождалось наличием дымки или тумана, а также наблюдалась высокая относительная влажность (23 июля дымка в 01-04 ч, туман в 03-05 ч; 20 августа дымка в 04 ч, туман 07-10 ч; 18 марта дымка в 07-10 ч). Как известно, образование туманов является дополнительным фактором, приводящим к повышению концентраций примесей в воздухе [2]. Для оценки влияния устойчивости атмосферы на повышение уровня загрязнения были выполнены расчеты вертикального профиля температуры в слое 0-600 м. В качестве примера на рис. 3, 4 представлены измеренные и рассчитанные температурные профили для двух случаев. Оценка вертикального профиля температуры показала, что для всех рассмотренных дат характерно наличие приземной инверсии или изотермии в сроки 00, 04, 24 ч, приземной или приподнятой - в 08 ч. В сроки 12, 16, 20 ч инверсия не наблюдалась. При наличии инверсии или изотермии повышения API отмечались либо синхронно, либо повышение загрязнения отмечалось через некоторое время после появления инверсии (например, последние часы суток 23 июля и период 00-04 ч 8 августа). На рисунках сплошные линии - это расчеты по модели, кружки - измерения с помощью температурного профилемера MTP-5. 4 8 12 10 20 24 4 8 12 ІО 20 24 4 8 12 10 20 24 4 8 12 10 20 24 4 8 12 10 20 24 4 8 12 10 20 24 4 8 12 10 20 24 Темпера тура, *С Температура, *С Температура, *С Температура, *С Температура, Ч' Температура, •(' Температура, “С 0:00 04:00 08:00 12:00 * 16:00 20:00 24:00 Рис. 3. Вертикальные температурные профили рассчитанные TSUNM3 и измеренные МТР-5 для 23.07.2019 для пункта IAO. Время местное Fig. 3. Vertical temperature profiles calculated by TSUNM3 and measured by MTP-5 for July 23, 2019 for the IAO state position. Local time Рис. 4. Вертикальные температурные профили рассчитанные TSUNM3 и измеренные МТР-5 для 08.08.2019 для пункта IAO. Время местное Fig. 4. Vertical temperature profiles calculated by TSUNM3 and measured by MTP-5 for Aug. 8, 2019 for the IAO state position. Local time 37 Математика / Mathematics Была составлена табл. 5, показывающая соотношение между наличием инверсии (изотермии) и повышенными значениями Индекса загрязнения воздуха. Каждый случай соответствует сроку, когда были рассчитаны индекс API и вертикальный профиль температуры. Таблица 5 Соответствие между рассчитанными характером вертикального профиля температуры и API (число случаев, в скобках проценты) Инверсия Ход API Всего Повышен (повышение) Не повышен (не повышается) Есть инверсия, изотермия 13 (31) 7 (17) 20 (48) Нет инверсии, изотермии 0 (0) 22 (52) 22 (52) Всего 13 (31) 29 (69) 42 (100) Таким образом, в 83% случаев существует прямая связь между наличием (отсутствием) инверсии и повышением (не повышением) индекса API. В 17% случаев при наличии инверсии уровень API не повышался. При отсутствии инверсии повышение API не отмечено. По результатам расчетов для выбранных дат теплого периода 2019 г. было получено, что для всех рассмотренных случаев наибольший вклад в API вносят угарный газ (до 40%) и диоксид азота (до 35%). Несколько меньший вклад дают оксид азота (до 27%) и диоксид серы (до 19%). Роль озона как вторичного загрязнителя в нашем случае оказалась небольшой, его вклад в API не превысил 6%. В суточном ходе наибольшая концентрация СО отмечалась ночью и рано утром, в период с 22 до 7 часов (его содержание достигало 2,3 ПДК). Повышенное содержание NO2, NO, SO2 также зафиксировано в ночное время (22-03 ч), а концентрация первых двух загрязнителей может превышать ПДК в 1,7 и 1,5 раза соответственно. Содержание SO2 не превышает половины предельно допустимой концентрации. В отличие от рассмотренных примесей содержание О3 больше днем (10-17 ч), а концентрация его не превышает 0,2 ПДК. Было выполнено сравнение результатов расчетов для двух участков города, расположенных на расстоянии 4 км и находящихся в разных условиях (центр города и пересечение транспортных магистралей). Получено, что по всем загрязнителям имеются общие временные тенденции их изменений: периоды увеличения или уменьшения концентрации, время наступления максимальных значений сохраняются. Однако концентрация веществ выше в условиях, где отмечается большое скопление транспорта. Больше и средние, и разовые значения всех примесей, за исключением NO: среднесуточные значения выше примерно в 1,5 раза (по O3 - в 2 раза), а часовые значения в этих точках могут различаться в 3 раза. Концентрация NO мало изменяется по территории. Заключение С помощью ультразвуковых метеостанций «Метео-2», температурного профилемера MTP-5 ЦКП «Атмосфера» и мезомасштабной модели численного прогноза погоды с горизонтальным разрешением 1 км TSUNM3 исследованы метеорологические ситуации над г. Томском, сопровождающиеся проявлением 38 Старченко А.В., Шельмина Е.А., Кижнер Л.И., Одинцов С.Л. Численное моделирование качества воздуха «слабого» (< 1 м/с) ветра. Постоянное использование метеостанций с 1 января по 31 октября 2019 г. позволило выявить периоды, когда скорость приземного ветра на протяжении 5-6 ч во всех пунктах наблюдений была менее 1 м/с. Для этих дат 2019 г. было проведено численное моделирование погодных условий и качества атмосферного воздуха в городе. Сравнение расчетов с наблюдениями показало, что модель TSUNM3 в большинстве случаев подтверждает расчетами продолжительность и сам факт условий «слабого» ветра. Однако в ряде случаев модель TSUNM3 завышает значения скорости приземного ветра по сравнению с данными наблюдений. Применение развиваемой модели качества атмосферного воздуха подтвердило взаимосвязь «слабого» приземного ветра с ухудшением качества воздуха в городе. Особенно это проявляется в комбинации «слабого» ветра с условиями устойчивой стратификации приземного слоя воздуха. При оценке степени качества атмосферного воздуха с использованием индекса загрязнения атмосферы очень важен точный прогноз скорости ветра. Выполненные расчеты по пяти загрязнителям атмосферы подтвердили важную роль метеорологических условий, в частности слабого ветра, а также роль антропогенного фактора в экологическом состоянии атмосферы Томска. Отметим, что для рассмотренных условий слабого ветра достоверно существует обратная корреляционная связь между уровнем загрязнения (значениями индекса API) и скоростью ветра (R = -0,58). А по данным наблюдений для реализаций, включающих разные скорости ветра, для разных загрязнителей (за исключением озона) коэффициент корреляции составил от -0,59 до -0,89. Предложенные в работе методы расчета метеорологических параметров и концентрации основных загрязнителей показали, что полученные по моделям результаты адекватно отражают основные закономерности пространственновременной изменчивости рассчитанных характеристик. Анализ результатов метеорологических наблюдений, выполненных с помощью комплекса приборов ЦКП «Атмосфера», показал, что для района Томска наиболее неблагоприятные экологические условия, обусловленные низкой скоростью ветра и инверсиями температуры, складываются в летний период. Однако нужно иметь в виду, что в работе получены результаты по «длительным штилям», непрерывная продолжительность которых превышает 3 ч. Такие ситуации оказались преобладающими в теплое время года. «Слабый» ветер, имеющий меньшую непрерывную продолжительность, отмечался и в другое время года. Зимой, при преобладании над территорией Западной Сибири Азиатского антициклона, также могут отмечаться «слабые» ветры в сочетании с инверсионным распределением температуры, что тоже способствует повышенному загрязнению атмосферы. Условия в переходные сезоны способствуют лучшему очищению атмосферы.

Скачать электронную версию публикации