Система прогнозирования загрязнения воздуха сама по себе не может решить вышеперечисленные проблемы. Прогнозы, если они надежны и достаточно точны, могут, однако, играть важную роль в системе управления качеством воздуха, работающей согласно более традиционным подходам, основанным на выбросах. Приложения для прогноза качества воздуха относятся к следующим крупным областям:

• Проблемы здоровья. Многие города в настоящее время предупреждают население, когда загрязнение воздуха превышает определенные уровни. Чем более надежный прогноз, тем более такие предупреждения эффективны. Эти предупреждения направлены на категории людей, которые особенно чувствительны к загрязнению воздуха (например, астматики). Интерес в области обнаружения инновационных решений для защиты этих личностей усилился с учетом снижения порога заболеваемости под воздействием озона или мелких частиц, который подразумевает, что никакой уровень сокращения воздействия не защитит всех индивидов.
• Дополнения к существующим программам управления выбросами. Во многих областях государства допустимые нормы загрязнения воздуха превышаются лишь изредка, несколько дней в году. Наличие надежных прогнозов загрязнения воздуха предоставляет местным экологическим контролерам возможность "по требованию" или прерывисто снижать выбросы в такие дни, что позволяет избежать дорогостоящего непрерывного контроля выбросов. Этот подход в настоящее время успешно используется в нескольких областях страны и мог бы быть распространен и на другие при наличии надежных прогнозов. Многие города также предлагают свободный доступ к общественному транспорту в дни «озоновой тревоги» с целью снижения выбросов автомобильным транспортом. Точность прогнозов важна в связи с высокой стоимостью этих программ.
• Оперативное планирование. Региональная загазованность может ослабить и даже подвергнуть опасности деятельность частной и гражданской авиации. Наличие тумана значительно воздействует на аэрофотосъемку и посещение многих национальных парков. Надежный прогноз видимости способен повысить безопасность и эффективность этой деятельности, позволяя планировать ее на наиболее благоприятные периоды. Американская Лесная служба (U.S.F.S) планирует 10-кратное увеличение запланированных выжигов. Так как эти действия регламентированы в Законе о чистом воздухе, то U.S.F.S., запросив некоторую форму прогноза качества воздуха, должна будет продемонстрировать местным управленцам, что они могут запланировать эти выжиги так, чтобы никакие из национальных стандартов качества воздуха не были нарушены.
• Предотвращение аварий. В Соединенных Штатах в течение 2000 года пожарами было уничтожено более 4 миллионов акров леса. Огромное количество дыма, выделившееся при лесных пожарах, повлияло на видимость в пространстве, что могло стать причиной несчастных случаев, увеличения нагрузки на трафик и даже могло подвергнуть риску безопасность авиации. Наличие надежного прогноза задымленности позволяет изменять направление движения автотранспорта с целью снижения возможности несчастных случаев. Информация, предоставляемая этими прогнозами, может также обеспечить начальную оценку ущерба от таких пожаров.

Для прогноза качества воздуха используется большое разнообразие методик – от простейших до комплексных. На данный момент большинство из них направлены на проведение краткосрочного – от 1 до 3 дней – прогнозирования концентрации озона. Методики, которые использовались для такого прогноза, описаны в отчете [США, EPA, 1999]. Методики, использующиеся для прогнозирования концентрации озона, являются ориентировочными при осуществлении прогноза для других загрязняющих веществ.Методики прогнозирования загрязнения делятся на три большие категории:

Климатологические. Использование климатологии для прогнозирования качества воздуха базируется на предположении, что прошлое хорошо предсказывает будущее. Этот подход основан на взаимосвязи повышенных уровней загрязнения с определенными метеорологическими условиями. Приложение для прогнозирования качества воздуха может быть настолько же простым, насколько просто предположение о постоянстве (то есть, если уровни загрязнения будут высоки сегодня, то они также будут высоки завтра), или может включать разработку сложных типовых синоптических условий (то есть, идентифицируя повторяющиеся метеорологические модели, связанные с высокими уровнями загрязнения). Эти подходы обычно используются для прогнозирования превышения предельных концентраций веществ в окружающей среде. Преимущество данных подходов в том, что они достаточно простые и недорогие в применении.

Статистические методы. Взаимосвязь между определенными метеорологическими параметрами и состоянием воздуха может быть определена количественно, используя множество статистических методик. Для прогнозирования они фактически являются наиболее общими. В обзоре данных методик EPA в 1999г. идентифицировало три используемых статистических подхода:

• Классификации и дерево регресса (CART). Эта методика основана на использовании специализированного программного обеспечения для идентификации тех переменных (метеорологических или отражающих состояние воздуха), которые наиболее тесно связаны с уровнями загрязнения окружающей среды. Далее эти переменные используются для предсказания будущих уровней загрязнения, используя данные о текущем состоянии воздуха и прогноза погоды.
• Регрессионный анализ. Взаимосвязь между уровнем загрязнения и метеорологическими и аэрометрическими переменными может быть определена количественно с помощью анализа наборов ретроспективных данных, используя стандартные статистические пакеты анализа. Результирующее множественное линейное уравнение регресса может использоваться для прогнозирования уровней загрязнения.
• Искусственные нейронные сети. Еще один метод анализа ретроспективных данных, состоящий в том, чтобы идентифицировать атмосферные параметры, которые влияют на качество воздуха и количественно оценить это влияние с помощью приложений, использующих такой метод адаптивного обучения и распознавания образов, как нейронные сети. Нейронные сети основаны на имитации процесса распознавания повторяющихся образов, который присущ человеческому мозгу. Были разработаны нейросети, которые идентифицируют синоптические условия, связанные с повышением уровня концентрации озона (см. США, EPA, 1999). Вероятно, такая же методика может быть применима и к другим загрязняющим веществам.

Данные подходы являются более сложными, чем климатические, но при этом они достаточно просты в реализации и использовании, требуют небольших вычислительных ресурсов и незначительных специальных знаний.

Трехмерные (3-D) модели. Хотя методики, описанные выше, имеют много преимуществ, у них есть один общий недостаток. Они предполагают некоторую стабильность процессов, определяющих состояние воздуха. Любые климатические изменения (краткосрочное или долгосрочное) либо изменение количества выбросов снижают эффективность этих методик. Один из путей решения данной проблемы состоит в том, чтобы использовать более детерминированный подход в прогнозировании качества воздуха. Детерминированные 3-D модели состояния воздуха стремятся математически представить все важнейшие процессы, влияющие на уровень загрязнения окружающей среды. Эти модели фактически состоят из нескольких подмоделей, которые взаимодействуют при моделировании выброса, переноса и преобразования загрязнения воздуха. Примеры таких подмоделей следующие:

• Модели выбросов. Моделируют во времени пространственное распределение выбросов примеси загрязняющего вещества, и/или (в случае вторичных загрязнителей, таких) предшествующих выбросов, вызванные антропогенными или естественными источниками.
• Метеорологические модели. Прогнозируют метеорологические условия, влияние химических факторов (солнечной активности, температуры, влажности, и т.д.), излучений (например, температура), и осадков, которые определяют перенос и смешивание загрязняющих веществ. Модели траекторий используют 3-D метеорологию данных моделей в сочетании с данными о выбросах для предсказания уровней таких нереактивных загрязнителей окружающей среды, как пыль и дым.
• Химические модели. Эти модели используют уровни основных параметров химической кинетики, спектроскопические свойства и термодинамические соотношения для моделирования преобразования первичного (испускаемого) загрязнения во вторичное загрязнение, учитывая свойства композиции и морфологию (измеряемые дистрибутивные и оптические свойства) аэрозолей.

В зависимости от метода, используемого для моделирования распределения концентрации загрязнения с течением времени трехмерные модели качества воздуха делятся на модели Лагранжа и модели Эйлера. Модели Лагранжа описывают перенос отдельных воздушных потоков с течением времени под действием атмосферных полей и распространение примесей загрязняющего вещества. Этот подход дает эффективную в вычислительном плане систему. Однако трудно должным образом характеризовать взаимодействие большого количества отдельных источников загрязнения, требующее использование нелинейной химии. Модели Эйлера используют фиксированную решетку (вертикальную и горизонтальную) и решают соответствующие химические уравнения одновременно во всех ячейках решетки, при этом учитывая обмен загрязняющими веществами между ячейками. Обычно количество вычислений снижаются с помощью использования вложенных архитектур: в сельских районах, где концентрации веществ достаточно гомогенны, применяются архитектуры более низкого качества – «грубые», на территории городов, где наблюдаются явные градиенты концентраций веществ, используют более высококачественные архитектуры. Эти модели также могут быть адаптированы к подфакельным наблюдениям, используя частично вычисления Лагранжа для источников, состоящих из множества объектов (например, электростанции) на начальных этапах распространения выброса. С помощью данных моделей можно строить трехмерные поля концентрации по нескольким загрязняющим веществам, но это требует существенных вычислительных мощностей и профессиональных знаний.

Фактически в основу всех методик, описанных выше, положен прогноз погоды. Поэтому надежность прогноза состояния загрязнения воздуха зависит от надежности прогноза погоды. Метеорологи используют множество инструментальных средств для прогноза погоды на завтра. Местные метеорологи для получения достоверного прогноза обычно используют результаты нескольких различных моделей в сочетании со знаниями о местности и ее исследованием. Таким же образом должен выполняться и прогноз загрязнения воздуха. Для гарантии того, что прогноз сделан настолько точно, насколько это возможно, квалифицированный специалист по прогнозированию должен комбинировать несколько из вышеперечисленных методик.

Как и система прогноза погоды, система прогноза качества воздуха должна содержать совместимое сочетание двух компонентов. Такие компоненты – это набор программ, реализующих прогностические модели/методики, приспособленные к потребностям определенного сообщества, и сеть наблюдения, способная обеспечить измерения в реальном времени проявлений атмосферных закономерностей, которая должна инициализировать прогностические модели и оценивать качество прогноза.

Рисунок 1 – Схематическое представление взаимосвязи основных компонентов системы прогноза качества воздуха. Хорошо разработанная система прогноза включает два процесса - выполнение прогноза и оценка качества прогноза для определения тех областей, где необходимо его усовершенствование.

Всесторонняя система наблюдения должна быть неотъемлемой частью любой системы прогноза, предназначенной для предсказания качества воздуха в будущем. Только с помощью сравнения фактических и прогнозируемых уровней загрязнения можно быть уверенными в будущих прогнозах и определять области, где необходимо усовершенствование.

Традиционно оценка моделей качества воздуха (без учета их формы) делится на две большие категории:

Оперативная оценка – применяет прямое сравнение прогнозируемых и наблюдаемых полей распределения загрязняющего вещества. Например, в случае озона значение прогноза сравниваются с концентрациями, измеренными в сети наблюдения. Затем на сайтах мониторинга составляется некоторая таблица, в которой вычисляется оценка прогноза путем почленного сравнения результатов. Существующая система контроля для озона хорошо подходит для такой оценки. К сожалению ситуация для других загрязнителей, которые обладают меньшей плотностью, (например, мелких частиц) не столь хороша, как для тех, которые охвачены сетью мониторинга, т.к. приборы к ним, не столь чувствительные, или в некоторых случаях не столь же избирательны, как это необходимо.

Диагностическая оценка – оперативная оценка, показывающая, насколько близко модель приближается к правильному ответу; диагностическая оценка сообщит, если был получен правильный и правильно обоснованный ответ. Название подразумевает то, что диагностическая оценка требует измерения параметров (и метеорологических и химических) формирования распределения концентрации не только тез загрязняющих веществ, концентрации которых прогнозируются. Для выполнения диагностической оценки производительности моделирования выбросов и химических процессов (если они используются) необходимо проследить предшествующие уровни концентрации загрязняющих веществ, а также промежуточные звенья загрязняющих веществ, в то время как метеорологические параметры, такие как высота перемешивания и переноса вверх помогают в оценке моделирования метеорологических процессов.

Поскольку методики прогнозирования качества воздуха улучшаются, их использование расширяется, нельзя упускать возможности использовать этот процесс для улучшения понимания процессов, управляющих формированием и распределением загрязнения воздуха. Сообщество метеорологического исследования извлекло чрезвычайную пользу из опыта оперативного прогнозирования. Проводимая оценка ежедневных прогнозов погоды используется для идентификации областей недостаточного понимания и исследования.

Такая же возможность существует для того, чтобы улучшить понимание атмосферных процессов, определяющих уровни загрязнения окружающей среды. Оценивая успех прогнозов, произведенных различными методиками, можно не только оценить относительные достоинства этих методик но также и проверить знание ключевых процессов и определить области, где еще необходимо больше информации.

Adams, R.M., J.D. Glyer, S.L. Johnson, and B.A. McCarl, A reassessment of the economic effects of ozone on U.S. agriculture, J. Air Pollution Control Assoc. 39, 960-968, 1989.

Banta, R.M., C.J. Senff, A.B. White, M. Trainer, R.T. McNider, R.J. Valente, S.D.Mayor, R.J. Alvarez II, R.M. Hardesty, D. Parrish, and F.C. Fehsenfeld, Daytime buildup and nighttime transport of urban ozone in the boundary layer during a stagnation episode, J. Geophys. Res., 103, 22519-22544, 1998.

Cannon, J.S., The Health Costs of Air Pollution: A Survey of Studies Published 1984-1989, American Lung Association, 1990.

Grell, G.A., S. Emeis, W.R. Stockwell, T. Schoenemeyer, R. Forkel, J. Michalakes, R. Knoche, and W. Seidl, Application of a multiscale, coupled MM5/chemistry model to the complex terrain of the VOTALP valley campaign, Atmos. Environ., 34, 1435-1453, 2000.