ВВЕДЕНИЕ С момента принятия Закона о чистом воздухе Агентство по охране окружающей среды (EPA) использовало многочисленные модели качества воздуха, которые связывают выбросы источников и метеорологические данные с ожидаемым качеством воздуха. Агентство по охране окружающей среды полагалось на прогнозирующие возможности моделей качества воздуха. определить уровни контроля, необходимые для решения проблем промышленного и городского загрязнения воздуха. Модели представляют собой математическое представление сложных физических и химических процессов, участвующих в рассеивании @ трансформации и осаждении загрязняющих веществ. Однако @ сложность и турбулентные стохастические свойства атмосферы ограничивают прогностические возможности даже самых лучших моделей. Неопределенность в большей части входных данных еще больше ограничивает прогностические возможности. С помощью серии руководящих документов@ 1@2@3 Агентство по охране окружающей среды пыталось стандартизировать подходы к моделированию для нормативных приложений. Стремление к последовательности в применение моделей привело к тому, что Агентство по охране окружающей среды рекомендовало конкретную модель для каждого из ряда общих применений в зависимости от типа источника @ землепользования @ топографии @ загрязняющих веществ и времени усреднения, представляющего интерес. Большинство моделей, выбранных Агентством по охране окружающей среды, основаны на стационарных формулах Гаусса для точечных источников, разработанных в 1940-х годах, с многочисленными улучшениями для преобразования, осаждения, распада, накопления, истощения, а также множественных конфигураций источников и рецепторов. Эти гауссовские модели используют эмпирические параметры, полученные в результате полевых экспериментов, для прогнозирования поведения дисперсии в зависимости от метеорологических условий. Для оценки этих параметров рассеяния использовался ряд программ распространения индикаторов, проведенных в 1950-х и 1960-х годах. Данные этих экспериментов с трассерами были проанализированы до широкомасштабного использования компьютеров и передовых процедур численного анализа. При разработке эмпирических параметров дисперсии была признана и допущена значительная неопределенность. В 1979 году компания TRC Environmental Consultants@ Inc. (TRC) провела исследование по заказу Американского нефтяного института (API) для оценки эффективности существующих моделей качества воздуха@ с использованием данных программ распространения индикаторов. Это исследование выявило частые большие расхождения между наблюдаемыми и прогнозируемыми концентрациями индикаторов. Ллойд Хеллумс из Phillips Petroleum пришел к выводу, что улучшение параметров дисперсии может быть результатом повторного анализа этих трассерных данных с использованием современных методов математической аппроксимации. Поэтому он разработал серию компьютерных программ для анализа экспериментов с трассерами, используя процедуру нелинейной оптимизации методом наименьших квадратов, принадлежащую Phillips Petroleum. Этот метод называется методом массообмена с одним источником (SSMT). Хеллумс проанализировал данные двенадцати программ трассеров, чтобы оценить коэффициенты дисперсии для каждого отдельного эксперимента с трассерами. API заключил контракт с TRC на сравнение результатов, полученных Хеллумсом, с предыдущими оценками параметров дисперсии и оценку потенциала использования этих результатов для разработки улучшенных моделей качества воздуха. Цели и подход Двумя основными задачами проекта являются оценка неопределенностей, присущих предсказаниям гауссовой модели, и оценка возможности улучшения производительности модели за счет использования пересмотренных параметров дисперсии. SSMT использует метод нелинейной оптимизации методом наименьших квадратов для получения наиболее подходящих оценок параметров дисперсии. Параметры выбраны так, чтобы минимизировать различия между наблюдаемыми концентрациями индикаторов и предсказаниями модели Гаусса. Различия (часто называемые «остатками»), которые остаются после оптимизации, обычно соответствуют наблюдаемым значениям концентрации, которые не соответствуют распределению Гаусса. Эти остаточные значения устанавливают нижний предел неопределенности модели: нельзя ожидать, что «идеальная» стационарная гауссовая модель качества воздуха обеспечит лучшее соответствие наблюдаемым концентрациям, чем оптимизированное решение для каждого эксперимента. Помимо негауссовских распределений@, необходимо решить несколько других проблем, чтобы оценить возможность улучшения моделей качества воздуха с помощью этого подхода оптимизации. К ним относятся степень различия между текущими и предлагаемыми параметрами дисперсии@, величина присущих неопределенностей@ и взаимосвязь между наблюдаемой дисперсией и метеорологическими условиями. В его исследовании основным критерием, использованным при изучении возможности улучшения модели, было то, что параметры дисперсии SSMT должны обеспечивать прогнозируемые значения концентрации, которые постоянно соответствуют наблюдаемым значениям. Метод оптимизации направлен на минимизацию остаточных значений и обычно обеспечивает «степень соответствия». » меры для каждого решения SSMT. Хеллумс включил три альтернативные схемы подгонки в программы SSMT и сравнил результаты каждой схемы. TRC также оценила относительные преимущества этих трех альтернатив. Из этих оценок @ один вариант SSMT был выбран для более детального анализа. практическая точка зрения@ параметры дисперсии, полученные в результате отдельных экспериментов с трассерами, не могут быть использованы для прогнозирования дисперсии, если они не включены в структуру модели, привязанную к метеорологическим@ месту@ и условиям источника. Общий подход к разработке моделей пытается объединить оценки дисперсии, полученные в результате экспериментов схожего типа. ключевых условий посредством «класса устойчивости атмосферы», который определяет индекс атмосферной турбулентности. В настоящее время техническим и нормативным сообществом используется несколько схем классификации стабильности. Схемы прогнозирования в существующих моделях качества воздуха используют класс устойчивости атмосферы для выбора соответствующих эмпирических параметров дисперсии для конкретного события. Дополнительные шаги по оценке результатов SSMT как основы для улучшенных моделей включали сравнение с более ранними оценками параметров дисперсии и изучение коэффициентов дисперсии SSMT как функции нескольких стандартных схем классификации. В ходе более раннего исследования для API@4 TRC, разработанного оценки дисперсии для ряда экспериментов с трассерами. Использовалась относительно простая схема расчета, аналогичная методам, с помощью которых были получены текущие параметры модели. Результаты SSMT сравнивались с этими простыми оценками и с обобщенными алгоритмами дисперсии, используемыми в существующих моделях. Сравнение SSMT. коэффициенты дисперсии в зависимости от класса устойчивости были предприняты для определения адекватности существующих методов классификации устойчивости. В следующих разделах настоящего отчета представлена наша оценка метода SSMT. В разделе 2 дается определение метода SSMT и описываются три альтернативные схемы оптимизации. В разделе 3@ приведено описание базы данных эксперимента с индикатором. В разделе 4@ представлены результаты нескольких выбранных экспериментов для иллюстрации метода. В разделах 5 и 6 представлены статистические сводки, сравнивающие результаты SSMT с наблюдаемыми значениями концентрации и с другими оценками параметров дисперсии. Раздел 7 рассматриваются параметры дисперсии SSMT в зависимости от класса устойчивости атмосферы. Результаты и выводы проекта представлены в разделе 8.
API PUBL 4376-1983 История
1983API PUBL 4376-1983 Разработка улучшенных оценок дисперсии в экспериментах с индикаторами