عملكرد پيش‌ پردازنده aermet در محاسبه پارامترهاي لايه مرزي و بررسي تاثير آن بر خروجي‌هاي غلظت مونوكسيد كربن در مدل aermod در مقايسه با داده‌هاي جو بالا

AERMET performance in evaluation of boundary layer parameters and its effect on carbon monoxide concentration outputs in AERMOD model compared to upper air data

زمينه و هدف: با توجه به حساسيت زياد مدل هاي گوسي به ورودي هاي هواشناسي، لازم است تا داده هاي هواشناسي با دقت بالايي وارد مدل گردد. با توجه به در دسترس نبودن اطلاعات هواشناسي در تمامي نقاط كشور به خصوص داده هاي جو بالا، لذا استفاده از فرمول هاي نيمه تجربي به منظور تخمين پارامترهاي لايه مرزي اجتناب ناپذير بوده كه باعث ايجاد خطا در شبيه سازي لايه مرزي و همچنين خروجي هاي غلظت خواهد شد. در اين مقاله به بررسي اثرات استفاده از داده هاي تخميني جو بالا بر مقادير غلظت خروجي مدلسازي خواهيم پرداخت.روش بررسي: براي اين منظور مدل aermod view 8.9 يكبار با داده هاي واقعي جو بالا و يكبار با داده هاي تخميني، در شرايط يكسان اجرا شده است. از آزمون هاي آماري مستقل t (tstudent) و لون (levene) به منظور بررسي تفاوت هاي معني دار بين غلظت ها در دو حالت فوق استفاده شده است.يافته ها: نتايج نشان داد كه استفاده از داده هاي تقريبي جو بالا منجر به خطا در غلظت آلاينده ها تا 63 درصد، در مدلسازي كوتاه مدت و تا 33 درصد، در مدلسازي بلند مدت خواهد شد كه رقم قابل توجهي است. همچنين تفاوت هاي آشكاري در محاسبات پارامترهاي لايه مرزي در دو حالت وجود دارد كه تحليل هاي آماري نشان دهنده معني دار بودن (00.0=p) اين تفاوت ها بود. ميزان اختلاف بين پارامترهاي لايه مرزي در اين دو حالت براي ارتفاع لايه مرزي همرفتي، گراديان دماي پتانسيل و مقياس سرعت (همرفتي) به ترتيب برابر 19 و 48 و 1.7 درصد بوده است. نتيجه گيري: استفاده از داده هاي واقعي جو بالا در مدلسازي ها ضروري بوده و در غير اين صورت نتايج مدلسازي بايد در يك دامنه اطمينان با درصد خطا مشخص بيان گردد.

Background and Objective: Concentration prediction with Gaussian dispersion models is highly sensitive to meteorological data. The lack of sounding data station in developing countries may lead to large error and uncertainty in air pollution modeling results. In this paper, the effects of estimated upper air data on the model output concentration values were investigated. Materials and Methods: AERMOD model was executed once with real upper air data and also with estimated upper air data separately. T-Student and LEVENE tests were used to evaluate the significant differences between concentrations in two modes of using actual and estimated upper air data. Results: The results showed that large differences in concentration between the two methods. In long term modeling, there was up to 33% differences between real and estimated upper meteorological data and up to 63% differences for short term modeling. A large difference was also observed between boundary layer parameterization values in each case. The statistical analysis showed a meaningful difference (p=0.00) between the cases. The differences between ZICNV, DT/DZ, W* were 7.1%, 48%, and 19%, respectively. Conclusion: The use of estimated upper meteorological data in comparison with measured data may lead to a large error. The AERMOD modeling results with estimated meteorological data must be expressed with appropriate uncertainties and confidence interval.