Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 2. С. 97-111

Данные космических наблюдений параметров поверхности в модели рассеяния индустриальных загрязнений воздуха AERMOD. Часть 1. Обзор, данные, классификация землепользования

Б.М. Балтер 1 , Д.Б. Балтер 1 , В.В. Егоров 1 , М.В. Стальная 1 , М.В. Фаминская 2 
1 Институт космических исследований РАН, Москва, Россия
2 Российский государственный социальный университет, Москва, Россия
Одобрена к печати: 09.12.2020
DOI: 10.21046/2070-7401-2021-18-2-97-111
Модель дисперсии индустриального загрязнения воздуха AERMOD уточняется с помощью наблюдений дистанционного зондирования. Оценивается эффект от привлечения специфичных для каждой территории данных по альбедо, шероховатости поверхности и коэффициенту Боуэна вместо глобальных стандартов AERMOD, а для необходимой для оценки этих параметров классификации землепользования — эффект от привлечения космических данных вместо имеющихся в свободном доступе глобальных карт. В настоящей части работы даётся обзор исследований по извлечению указанных параметров из космических данных, использованию их в AERMOD и влиянию на модельные концентрации. Далее описаны исходные данные для исследования этого вопроса в настоящей работе на материале пяти реальных предприятий и способы измерения эффекта привлечения космических данных. Эффект измеряется тремя способами: а) как разность между годовыми максимумами часовых концентраций критичного загрязнителя («абсолютный максимум»); б) то же с ограничением дневными рабочими часами и использованием 95%-го квантиля вместо абсолютного максимума («регуляторный критерий»); в) как максимальная почасовая разница за год («мгновенный критерий»). Значения этих критериев делятся либо на референтную концентрацию загрязнителя, что даёт меру влияния на острый риск, либо на концентрацию по стандартам AERMOD, что даёт относительную меру влияния космических данных. В настоящей части исследован эффект привлечения классификации землепользования, выполненной по космическим данным.
Ключевые слова: AERMOD, модель рассеивания загрязнителей, альбедо, шероховатость, параметр Боуэна, классификация землепользования, максимальные разовые концентрации, Landsat, ALOS, GLASS, ERA5
Полный текст

Список литературы:

  1. Балтер Б. М., Балтер Д. Б., Егоров В. В., Стальная М. В., Фаминская М. В. Классификация местности по данным ИСЗ Landsat для улучшения точности оценок риска здоровью населения от индустриального загрязнения воздуха // Исслед. Земли из космоса. 2017. Т. 14. № 5. С. 49–56.
  2. Балтер Б. М., Егоров В. В., Котцов В. А., Фаминская М. В. Распознавание категорий наземных объектов на основе корреляционных портретов с применением в модели рассеяния атмосферных загрязнений // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 2. С. 29–41.
  3. Руководство по оценке риска для здоровья населения при воздействии химических веществ, загрязняющих окружающую среду. Р 2.1.10.1920-04. Роспотребназдор. М., 2004. 144 с.
  4. AERSURFACE User’s Guide. US EPA Research Triangle Park, 2008. 104 p.
  5. Arsanjani J. J. Characterizing and Monitoring Global Landscapes Using GlobeLand30 Datasets: The First Decade of the Twenty-first Century // Intern. J. Digital Earth. 2018. V. 12. P. 642–660. DOI: 10.1080/17538947.2018.1470689.
  6. Arsanjani J. J., See L., Tayyebi A. Assessing the Suitability of GlobeLand30 for Mapping Land Cover in Germany // Intern. J. Digital Earth. 2016. V. 9. P. 873–891. DOI: 10.1080/17538947.2016.1151956.
  7. Baldinelli G., Bonafoni S., Rotili A. Albedo Retrieval from Multispectral Landsat 8 Observation in Urban Environment: Algorithm Validation by in situ Measurements. // IEEE J. Selected Topics in Applied Earth Observations and Remote Sensing. 2017. V. 10. P. 4504–4511. DOI: 10.1109/JSTARS.2017.2721549.
  8. Balter B., Faminskaya M. Irregularly Emitting Air Pollution Sources: Acute Health Risk Assessment Using AERMOD and the Monte Carlo Approach to Emission Rate // Air Quality, Atmosphere and Health. 2017. V. 10. P. 401–409.
  9. Bo X., Wang G., Tian J., Yang J., Gao X., Huang Y., Li S. Standard Systems of Surface Parameters in AERMOD // China Environmental Science. 2015. V. 35(9). P. 2570–2575 (in Chinese).
  10. Cho J., Miyazaki S., Yeh P. J. F., Kim W., Kanae S., Oki T. Testing the Hypothesis on the Relationship between Aerodynamic Roughness Length and Albedo using Vegetation Structure Parameters // Intern. J. Biometeorology. 2012. V. 56(2). P. 411–418. DOI: 10.1007/s00484-011-0445-2.
  11. Faulkner W., Shaw B. W., Grosch T. Sensitivity of Two Dispersion Models (AERMOD and ISCST3) to Input Parameters for a Rural Ground-Level Area Source // J. Air and Waste Management Association. 2008. V. 58(10). P. 1288–1296. DOI: 10.3155/1047-3289.58.10.1288.
  12. Garcia-Mora T., Mas J. F., Hinkley E. A. Land Cover Mapping Applications with MODIS: A Literature Review // Intern. J. Digital Earth. 2012. V. 5(1). P. 63–87. DOI: 10.1080/17538947.2011.565080.
  13. Gowda P., Chávez J. L., Howell T. A., Marek T. H., New L. L. Surface Energy Balance Based Evapotranspiration Mapping in the Texas High Plains // Sensors. 2008. V. 8. P. 5186–5201. DOI: 10.3390/s8085186.
  14. Grosch T., Lee R. F. Sensitivity of the AERMOD Air Quality Model to the Selection of Land Use Parameters // Trans. Ecology and the Environment. 1999. V. 29. P. 803–812.
  15. Gupta R., Prasad T. S., Vijayan D. Estimation of Roughness Length and Sensible Heat Flux from WiFS and NOAA AVHRR Data // Advance in Space Research. 2002. V. 29(1). P. 33–38.
  16. He T., Wang D., Qu Y. Land Surface Albedo // Comprehensive Remote Sensing. V. 5: Earth’s Energy Budget / ed. S. Liang. Amsterdam: Elsevier, 2018. P. 140–162.
  17. Isakov V., Venkatram A., Touma J. S., Koracin D., Otte T. L. Evaluating the Use of Outputs from Comprehensive Meteorological Models in Air Quality Modeling Applications // Atmospheric Environment. 2007. V. 41. P. 1689–1705.
  18. Jiang B., Liang S., Jia A., Xu J., Zhang X., Xiao Z., Zhao X., Jia K., Yao Y. Validation of the Surface Daytime Net Radiation Product from Version 4.0 GLASS Product Suite // IEEE Geoscience and Remote Sensing Letters. 2018. V. 16(4). P. 509–513. DOI: 10.1109/LGRS.2018.2877625.
  19. Karvounis G., Deligiorgi D., Philippopoulos K. On the Sensitivity of AERMOD to Surface Parameters under Various Anemological Conditions // Proc. 11th Intern. Conf. Harmonisation within Atmospheric Dispersion Modelling for Regulatory Purposes / eds. D. J. Carruthers, Ch. A. McHugh. Cambridge Environmental Research Consultants Ltd., 2007. P. 43–47.
  20. Kesarkar A., Dalvi M., Kaginalkar A., Ojhab A. Coupling of the Weather Research and Forecasting Model with AERMOD for Pollutant Dispersion Modeling. A Case Study for PM10 Dispersion over Pune, India // J. Atmospheric Environment. 2007. V. 41(9). P. 1976–1988.
  21. Kumar A., Dikshit A. K., Fatima S., Patil R. S. Application of WRF Model for Vehicular Pollution Modelling Using AERMOD // Atmospheric and Climate Sciences. 2015. V. 5. P. 57–62.
  22. Kumar A., Patil R. S., Dikshit A. K., Kumar R. Application of WRF Model for Air Quality Modelling and AERMOD — A Survey // Aerosol and Air Quality Research. 2017. V. 17. P. 1925–1937.
  23. Liang S., Zhang X., Xiao Z., Cheng J., Liu Q., Zhao X. Global Land Surface Satellite (GLASS) Products. Algorithms, Validation and Analysis. Springer, 2014.
  24. Lindberg F., Grimmond C. S. B., Gabey A., Huang B., Kent C. W., Sun T., Theeuwes N. E., Jarvi L., Ward H. C., Capel-Timms I., Chang Y., Jonsson P., Krave N., Liu D., Meyer D., Olofson K. F. G., Tan J., Wastberg D., Xue L., Zhang Z. Urban Multi-Scale Environmental Predictor (UMEP): An Integrated Tool for City-based Climate Services // Environmental Modelling and Software. 2018. V. 99. P. 70–87.
  25. Liu J., Schaaf C., Strahler A., Jiao Z., Shuai Y., Zhang Q., Roman M., Augustine J. A., Dutton E. G. Validation of Moderate Resolution Imaging Spectroradiometer (MODIS) Albedo Retrieval Algorithm: Dependence of Albedo on Solar Zenith Angle // J. Geophysical Research. 2009. V. 114(D1). D01106. DOI: 10.1029/2008JD009969.
  26. Long G., Cordova J. F., Tanrikulu S. An Analysis of AERMOD Sensitivity to Input Parameters in the San Francisco Bay Area // Proc. 13th Joint Conf. Applications of Air Pollution Meteorology with the Air and Waste Management Association. Pittsburgh, PA: A&WMA, 2004. P. 203–206.
  27. Malek E. Comparison of the Bowen Ratio-energy Balance and Stability-Corrected Aerodynamic Methods for Measurement of Evapotranspiration // Theoretical and Applied Climatology. 1993. V. 48. P. 167–178.
  28. Pape M., Vohland M. A Comparison of Total Shortwave Surface Albedo Retrievals from MODIS and TM Data // ISPRS TC VII Symp. Vienna, Austria: IAPRS, 2010. V. 38. P. 447–451.
  29. Pascal M., Vondou A. D., Francois M. K. Case Study of Pollutants Concentration Sensitivity to Meteorological Fields and Land Use Parameters over Douala Using AERMOD Dispersion Model // Atmosphere. 2011. V. 2(4). P. 715–741.
  30. Pongprueksa P., Chatchupong T. High Resolution Land Cover Data for Thailand’s Air Quality Impact Assessment // 5th Intern. Conf. Environmental Engineering, Science and Management. Bangkok, Thailand. 2016. DOI: 10.13140/RG.2.1.4427.8642.
  31. Qu Y., Qiang L., Liang S., Wang L., Liu N., Liu S. Direct-Estimation Algorithm for Mapping Daily Land-Surface Broadband Albedo from MODIS Data // IEEE Trans. Geoscience and Remote Sensing. 2014. V. 52. P. 907–919.
  32. Srivastava H., Patel P., Navalgund R. R., Sharma Y. Retrieval of Surface Roughness Using Multi-polarized Envisat-1 ASAR Data // Geocarto Intern. 2008. V. 23(1). P. 67–77. DOI: 10.1080/10106040701538157.
  33. Tadono T., Nagai H., Ishida H., Oda F., Naito S., Minakawa K., Iwamoto H. Generation of the 30 m-Mesh Global Digital Surface Model by ALOS PRISM // Intern. Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2016. XLI-B4. P. 157–162. URL: https://doi.org/10.5194/isprsarchives-XLI-B4-157-2016.
  34. Verhoes N., Lievens H. Soil Moisture Retrieval from Synthetic Aperture Radar: Facing the Soil Roughness Parameterization Problem // Remote Sensing of Energy Fluxes and Soil Moisture Content / ed. G. P. Petropoulos. Boca Raton: CRC Press, 2014. P. 323–344.
  35. Zhang F., Sha M., Wang G., Li Z., Shao Y. Urban Aerodynamic Roughness Length Mapping Using Multitemporal SAR Data // Advances in Meteorology. 2017. Art. No. 8958926. DOI: 10.1155/2017/8958926.
  36. Tadono T., H. Nagai, H. Ishida, F. Oda, S. Naito, K. Minakawa, and H. Iwamoto. Generation of the 30 m-Mesh Global Digital Surface Model by ALOS PRISM. // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. XLI-B4. 2016. P. 157 – 162.
  37. Verhoes N. and Hans Lievens. Soil Moisture Retrieval from Synthetic Aperture Radar: Facing the Soil Roughness Parameterization Problem. // Remote Sensing of Energy Fluxes and Soil Moisture Content, ed. George P. Petropoulos. Boca Raton: CRC Press. 2014. P. 323-344.
  38. Zhang F., Minmin Sha, Guojun Wang, Zhikun Li, and Yun Shao. Urban Aerodynamic Roughness Length Mapping Using Multitemporal SAR Data. // Advances in Meteorology. 2017: 8958926. doi: 10.1155/2017/8958926.