DOI: https://doi.org/10.1007/s40726-025-00355-9
تاريخ النشر: 2025-04-26
المؤلف: Jinxi Li وآخرون
الموضوع الرئيسي: كيمياء الغلاف الجوي والهباء الجوي
نظرة عامة
تسلط المراجعة الضوء على التقدم الكبير في نمذجة جودة الهواء وتوقعاتها، مع التأكيد على أدوارها الحيوية في البحث البيئي وإدارة السياسات. تركز على التطورات الأخيرة في نماذج توقع جودة الهواء ومجموعات البيانات المعاد تحليلها. ومن الجدير بالذكر أن إدخال الشبكات ثلاثية الأبعاد القابلة للتكيف والشبكات ذات الدقة الأفقية المتغيرة قد مكن من إجراء محاكاة متعددة المقاييس تصل إلى مستوى الهكتومتر، مما يحقق توازنًا بين الدقة وكفاءة الحوسبة. ومع ذلك، لا تزال مجموعات البيانات المعاد تحليلها الحالية تواجه قيودًا في الدقة الأفقية، مما يعيق التحليل التفصيلي وإدارة تلوث الهواء على المقاييس المحلية. تظهر طريقة دقة الشبكة القابلة للتكيف وعدًا في بناء إعادة تحليل كيميائي بدقة فائقة (< 1 كم)، على الرغم من أن تطبيقها في دمج البيانات لا يزال محدودًا بالنماذج أحادية الأبعاد. لقد أدى دمج وحدات معالجة الرسوميات (GPUs) إلى تحسين استخدام الموارد وزيادة أداء النموذج من خلال تسريع الأجهزة، بينما حسنت تقنيات التعلم الآلي دقة التنبؤات للأنواع الكيميائية المحددة. بالإضافة إلى ذلك، تم دمج معلمات أكثر تعقيدًا في المعلمات الفيزيائية والكيميائية الحالية لتمثيل الميزات الجوية الصغيرة بشكل أفضل. على الرغم من هذه التقدمات، لا تزال التحديات قائمة، بما في ذلك الحاجة إلى معايير فعالة لتحسين الشبكة، والحصول على بيانات رصد عالية الدقة، ودمج الذكاء الاصطناعي في نماذج جودة الهواء الهجينة. الجهود المستمرة ضرورية لتطوير طرق دمج بيانات الشبكة القابلة للتكيف غير المنتظمة لمعالجة تحديات الدقة التي تواجهها جهود إعادة التحليل الكيميائي الحالية.
مقدمة
تسلط المقدمة الضوء على الزيادة الكبيرة في الانبعاثات البشرية من مصادر الطاقة غير المتجددة على مدى الخمسين عامًا الماضية، مدفوعة بالتوسع الحضري السريع والتصنيع. حاليًا، يعيش أكثر من 50% من سكان العالم في المناطق الحضرية، ومن المتوقع أن يرتفع هذا الرقم إلى حوالي 75% بحلول عام 2050، وفقًا لتقديرات الأمم المتحدة. لقد زاد هذا النمو الحضري من تلوث الهواء، خاصة في البلدان النامية، مما يجعله قضية بيئية ملحة.
لمعالجة هذا التحدي، تؤكد الورقة على أهمية التنبؤات القصيرة الأجل القوية لجودة الهواء. التقييمات الدقيقة ضرورية للحكومات لتقديم إرشادات في الوقت المناسب للصناعات وحماية المواطنين من الآثار السلبية لجودة الهواء السيئة. إن دمج مجموعات بيانات الرصد، وقوائم الانبعاثات، وأنظمة دمج البيانات، ونماذج التنبؤ، وأنظمة مراقبة جودة الهواء والتحذير المبكر أمر حيوي لتعزيز دقة توقعات جودة الهواء.
نقاش
في قسم النقاش من ورقة البحث، يستكشف المؤلفون الدور الحاسم لنماذج جودة الهواء (AQMs)، المعروفة أيضًا بنماذج النقل الكيميائي (CTMs)، في فهم التفاعلات الكيميائية الجوية وتفاعلاتها مع الطقس القاسي. تعتمد نماذج جودة الهواء على الحقول الجوية، وخاصة حقول السرعة، كمحركات أساسية للمعادلات النقلية التي تحكم العمليات الكيميائية. تميز الورقة بين النماذج المترابطة (عبر الإنترنت)، التي تدمج الكيمياء في الأطر الجوية، والنماذج المستقلة (غير المتصلة)، التي تعتمد على بيانات جوية خارجية. بينما تكون النماذج غير المتصلة أقل كثافة حسابية، إلا أنها قد تتجاهل عمليات وتفاعلات جوية هامة، خاصة في سياق تغير المناخ والتلوث.
يبرز المؤلفون التقدم في نماذج جودة الهواء، مشيرين إلى التحسينات في الدقة المكانية والزمنية بسبب تعزيز الموارد الحاسوبية. ومع ذلك، يشيرون إلى أن النماذج الحالية لا تزال تكافح لتمثيل العمليات غير الخطية المعنية في تكوين الأوزون وفقدانه بدقة، خاصة في المناطق التي تحتوي على مصادر تلوث كبيرة. تناقش الورقة التحديات المتعلقة بتحقيق دقة عالية في نماذج جودة الهواء، بما في ذلك التكاليف الحاسوبية المرتبطة بأساليب دمج البيانات مثل مرشح كالمان التجميعي (EnKF)، الذي يمكن أن يصبح مكلفًا بشكل مفرط عند الدقات الدقيقة. لمعالجة هذه القضايا، يدعو المؤلفون إلى اعتماد تقنيات تحسين الشبكة القابلة للتكيف (AMR)، التي تسمح بتمثيل أكثر كفاءة للظواهر الجوية الصغيرة مع الحفاظ على متطلبات الحوسبة. تختتم المناقشة بدعوة لمزيد من البحث في دمج التعلم الآلي وتحسين المعلمات الفيزيائية لتعزيز دقة وكفاءة نماذج جودة الهواء.
القيود
تناقش هذه القسم قيود نماذج تحسين الشبكة الأفقية القابلة للتكيف (AMR)، خاصة في سياق نمذجة جودة الهواء (AQM). بينما أظهرت نماذج مثل نموذج البيئة متعدد المقاييس التشغيلية مع قابلية الشبكة (OMEGA) وMUSICA تقدمًا في محاكاة أحداث التلوث الشديدة وتحسين تمثيل الهباءات الطبيعية، إلا أنها لا تزال تكافح لحل العمليات الصغيرة مثل ديناميات السحب بسبب عدم كفاية الدقة الأفقية. هذه القصور يتطلب الاعتماد على المعلمات التي يمكن أن تخفف القيم القصوى، مما يؤثر في النهاية على دقة تركيزات PM2.5 والظروف الجوية ذات الصلة.
علاوة على ذلك، على الرغم من التقدم في دمج البيانات الكيميائية (DA) وتطوير أساليب الذكاء الاصطناعي لإنشاء خرائط تلوث الهواء بدقة أعلى، لا تزال هناك تحديات في تحقيق الدقة اللازمة للتحليل الفعال على المقاييس المحلية، مثل مستويات المصانع أو الأحياء. لقد أنتجت الأساليب الحالية للذكاء الاصطناعي مجموعات بيانات بدقة حوالي 1 كم، ومع ذلك، لا تزال فعاليتها في عكس الانبعاثات بدقة عالية (أقل من 1 كم) غير مختبرة بسبب المتطلبات الحاسوبية لتدريب نماذج الذكاء الاصطناعي في مثل هذه السيناريوهات. وبالتالي، بينما تم إحراز تقدم، فإن التحسينات الكبيرة في الدقة الأفقية ودمج تقنيات الذكاء الاصطناعي ضرورية لتعزيز دقة وقابلية تطبيق توقعات جودة الهواء.
DOI: https://doi.org/10.1007/s40726-025-00355-9
Publication Date: 2025-04-26
Author(s): Jinxi Li et al.
Primary Topic: Atmospheric chemistry and aerosols
Overview
The review highlights the significant advancements in air quality modeling and forecasting, emphasizing their critical roles in environmental research and policy management. It focuses on recent developments in air quality forecasting models and reanalysis datasets. Notably, the introduction of three-dimensional adaptive meshes and variable horizontal resolution grids has enabled multi-scale simulations down to the hectometre level, achieving a balance between accuracy and computational efficiency. However, existing reanalysis datasets still face limitations in horizontal resolution, which hampers detailed analysis and management of air pollution at localized scales. The adaptive mesh resolution method shows promise for constructing ultra-high-resolution chemistry reanalyses (< 1 km), although its application in data assimilation remains limited to one-dimensional models. The integration of graphics processing units (GPUs) has optimized resource usage and enhanced model performance through hardware acceleration, while machine learning techniques have improved the accuracy of predictions for specific chemical species. Additionally, more complex parameters have been incorporated into existing physical and chemical parameterizations to better represent small-scale atmospheric features. Despite these advancements, challenges persist, including the need for effective criteria for mesh refinement, the acquisition of high-resolution observational data, and the integration of AI in hybrid air quality models. Continued efforts are necessary to develop adaptive irregular mesh grid data assimilation methods to address the resolution challenges faced by current chemical reanalysis efforts.
Introduction
The introduction highlights the significant rise in anthropogenic emissions from non-renewable energy sources over the past fifty years, driven by rapid urbanization and industrialization. Currently, over 50% of the global population resides in urban areas, a figure projected to increase to approximately 75% by 2050, as estimated by the United Nations. This urban growth has exacerbated air pollution, particularly in developing countries, making it a pressing environmental issue.
To address this challenge, the paper emphasizes the importance of robust short-term forecasting for air quality. Accurate assessments are essential for governments to provide timely guidance to industries and protect citizens from the adverse effects of poor air quality. The integration of observational datasets, emission inventories, data assimilation systems, forecasting models, and air quality monitoring and early warning systems is crucial for enhancing the precision of air quality forecasts.
Discussion
In the discussion section of the research paper, the authors explore the critical role of Air Quality Models (AQMs), also known as chemical transport models (CTMs), in understanding atmospheric chemical reactions and their interactions with extreme weather. AQMs rely on meteorological fields, particularly velocity fields, as essential drivers for the transport equations governing chemical processes. The paper distinguishes between coupled (online) models, which integrate chemistry into meteorological frameworks, and standalone (offline) models, which depend on external meteorological data. While offline models are less computationally intensive, they may overlook significant atmospheric processes and interactions, particularly in the context of climate change and pollution.
The authors highlight advancements in AQMs, noting improvements in spatial and temporal resolution due to enhanced computational resources. However, they point out that current models still struggle to accurately represent the nonlinear processes involved in ozone formation and loss, particularly in regions with significant pollution sources. The paper discusses the challenges of achieving high resolution in AQMs, including the computational costs associated with data assimilation methods like the Ensemble Kalman Filter (EnKF), which can become prohibitively expensive at finer resolutions. To address these issues, the authors advocate for the adoption of adaptive mesh refinement (AMR) techniques, which allow for a more efficient representation of small-scale atmospheric phenomena while balancing computational demands. The discussion concludes with a call for further research into integrating machine learning and improving physical parameterizations to enhance the accuracy and efficiency of AQMs.
Limitations
The section discusses the limitations of horizontal adaptive mesh refinement (AMR) models, particularly in the context of air quality modeling (AQM). While models like the Operational Multiscale Environment model with Grid Adaptivity (OMEGA) and MUSICA have shown advancements in simulating extreme pollution events and improving the representation of natural aerosols, they still struggle to explicitly resolve small-scale processes such as plume dynamics due to insufficient horizontal resolution. This inadequacy necessitates reliance on parameterizations that can dilute extreme values, ultimately affecting the accuracy of PM2.5 concentrations and related meteorological conditions.
Furthermore, despite progress in chemical data assimilation (DA) and the development of AI methods to create higher-resolution air pollutant maps, challenges remain in achieving the necessary resolution for effective analysis at local scales, such as factory or neighborhood levels. Current AI approaches have produced datasets with resolutions around 1 km, yet their effectiveness in high-resolution emission inversion (below 1 km) remains untested due to the computational demands of training AI models in such scenarios. Thus, while advancements have been made, significant improvements in horizontal resolution and the integration of AI techniques are essential for enhancing the accuracy and applicability of air quality forecasts.