Results and discussion3.1. The wind

Results and discussion
3.1. The wind field
We used mesoscale meteorological data MM5 and observation
to develop the wind field in CALMET. We also used observation only
to develop wind field to invest the quality of wind field. Through
comparing centroid trajectories in Fig. 3, we can see the dispersion
of the two wind fields were similar, and the dispersion directions
captured by models are agreed with the measurements. Dynamical
models usually are based on the complete set of primitive equations for hydrodynamic flow, and their developed history usually
reflects a dominant focus on problems related to strong dynamic
forcing and deep convection (Byun, 1999a,b). During this tracer
experiment, the weather condition did not meet above conditions
apparently, and the mesoscale dynamic wind fields can not
improve the quality of wind field. Additionally mesoscale meteorological data (such as MM5 data) has coarse grids and can not
reflect the potentially important local features of the surface flow
field induced by terrain variations (e.g., mountainous land, Ganjiang river gorge). In Fig. 3, a result of the influence of terrain is the
relatively lower wind speed over the northern section of the
domain, and the wind direction is slightly modified by Ganjiang
River. We can see these phenomena in wind field pictures in CALPOST. The wind fields near surface level are complicated than in the
higher level, and they also show greater diurnal variation due to
local terrain effects (after sunrise the terrain effects are decreased
by the improved convection). Meteorological fields supplied to
dispersion models may contain significant uncertainties which
adversely affect model simulations (Sistla et al., 1996). In this field
campaign, the density of meteorological data are sufficient, but the
frequency of 1 h (required by CALMET) are probably not appropriate to capture the detailed changes in near-field wind field and
may cause the errors in dispersion model. In steady state, the
hourly meteorological data may be suitable, but in this case, the
wind field with coarse time resolution may be contain uncertainties. Fig. 4 depicts the change of direction and concentration of
time series which shows the time shift of tracer cloud. Additionally
in complex terrain, the weather stability affects the model results.
In stable condition terrain effects play an important role in
dispersion, and it is difficult for model to reflect the real complex
flow caused by mountainous land and river although there are
a series of computation to adjust the terrain effects. In some
unstable condition, the performance of model are improved by
active convection and decreased terrain effect. We will change the
time step to small values such as 10 min in wind field to invest the
CALPUFF performance in following study.

Kết quả (Việt) 1:

Kết quả và thảo luận3.1. lĩnh vực GióChúng tôi sử dụng dữ liệu khí tượng mesoscale MM5 và quan sátđể phát triển các lĩnh vực gió CALMET. Chúng tôi cũng sử dụng quan sát chỉđể phát triển các lĩnh vực gió đầu tư chất lượng gió trường. Thông quaso sánh centroid hnăm trong hình 3, chúng tôi có thể nhìn thấy các phân tánGió hai lĩnh vực được tương tự, và các hướng dẫn phân tánbị bắt bởi các mô hình có đồng ý với các phép đo. Động lựcCác mô hình thường được dựa trên các thiết lập hoàn chỉnh của nguyên thủy phương trình cho dòng chảy thủy, và lịch sử phát triển của họ thườngphản ánh tập trung chủ đạo về các vấn đề liên quan đến mạnh mẽ năng độngbuộc và sâu sắc đối lưu (Byun, 1999a, b). Trong thời gian này đánh dấuthử nghiệm, điều kiện thời tiết không đáp ứng trên điều kiệnrõ ràng, và các lĩnh vực năng động gió mesoscale có thể khôngcải thiện chất lượng của gió trường. Ngoài ra mesoscale khí tượng dữ liệu (chẳng hạn như dữ liệu MM5) có lưới thô và có thể khôngphản ánh các tính năng địa phương có khả năng quan trọng của dòng chảy bề mặtlĩnh vực gây ra bởi biến thể địa hình (ví dụ, núi đất, hẻm núi sông Ganjiang). Trong hình 3, là kết quả của sự ảnh hưởng của địa hình là cáctương đối thấp hơn tốc độ gió trên phần phía bắc của cáctên miền, và hướng gió một chút sửa đổi bởi GanjiangSông. Chúng tôi có thể nhìn thấy những hiện tượng trong hình ảnh trường gió ở CALPOST. Các trường gió gần bề mặt mực là phức tạp hơn trong cáccao cấp, và họ cũng hiển thị lớn hơn chênh biến thể dobản đồ địa hình địa phương tác dụng (sau khi mặt trời mọc những ảnh hưởng của địa hình được giảmbởi đối lưu được cải thiện). Lĩnh vực khí tượng cung cấp choMô hình phân tán có thể chứa đáng kể sự không chắc chắn màảnh hưởng đến mô hình mô phỏng (Sistla và ctv., 1996). Trong lĩnh vực nàychiến dịch, mật độ của khí tượng dữ liệu được đầy đủ, nhưng cáctần số của 1 h (yêu cầu CALMET) có lẽ không thích hợp để nắm bắt những thay đổi chi tiết trong lĩnh vực gần lĩnh vực gió vàcó thể gây ra các lỗi trong mô hình phân tán. Ở trạng thái ổn định, cácdữ liệu khí tượng hàng giờ có thể phù hợp, nhưng trong trường hợp này, cáccánh đồng gió với độ phân giải thời gian thô có thể chứa bất trắc. Hình 4 thể hiện sự thay đổi hướng và nồng độChuỗi thời gian đó cho thấy sự thay đổi thời gian của đám mây đánh dấu. Ngoài rađịa hình phức tạp, sự ổn định thời tiết ảnh hưởng đến kết quả mẫu.Trong tình trạng ổn định địa hình hiệu ứng đóng một vai trò quan trọngphân tán, và nó được khó khăn cho các mô hình để phản ánh thực tế phức tạpdòng chảy gây ra bởi các vùng đất núi non và sông mặc dù cómột loạt tính toán điều chỉnh ảnh hưởng của địa hình. Trong một sốtình trạng không ổn định, hiệu suất của các mô hình được cải thiện bằng cáchhoạt động đối lưu và có hiệu lực giảm địa hình. Chúng tôi sẽ thay đổi cácthời gian bước đến các giá trị nhỏ như 10 phút trong gió lĩnh vực đầu tư cácCALPUFF các hiệu suất trong nghiên cứu sau đây.

Kết quả (Việt) 2:

Kết quả và thảo luận
3.1. Các trường gió
Chúng tôi sử dụng mô hình MM5 mesoscale dữ liệu khí tượng và quan sát
để phát triển lĩnh vực gió trong CALMET. Chúng tôi cũng chỉ được sử dụng quan sát
để phát triển lĩnh vực gió để đầu tư chất lượng của trường gió. Qua
so sánh quỹ đạo trọng tâm trong hình. 3, chúng ta có thể thấy sự phân tán
của các trường gió hai cũng tương tự, và các hướng phân tán
bị bắt bởi các mô hình được thống nhất với các phép đo. Động lực
mô hình thường được dựa trên bộ hoàn chỉnh các phương trình nguyên thủy cho dòng thủy động lực học, và lịch sử phát triển của họ thường
phản ánh một tâm chi phối về các vấn đề liên quan đến động mạnh mẽ
buộc và đối lưu sâu (Byun, 1999a, b). Trong tracer này
thử nghiệm, điều kiện thời tiết không đáp ứng điều kiện nêu trên
rõ ràng, và các lĩnh vực gió động mesoscale không thể
cải thiện chất lượng của trường gió. Ngoài ra dữ liệu khí tượng mesoscale (như dữ liệu MM5) có lưới thô và không thể
phản ánh các tính năng địa phương có tiềm năng quan trọng của dòng chảy bề mặt
trường gây ra bởi biến đổi địa hình (ví dụ, đất đồi núi, sông Ganjiang hẻm núi). Trong hình. 3, một kết quả của sự ảnh hưởng của địa hình là
tốc độ gió tương đối thấp hơn so với phần phía bắc của
miền, và hướng gió được chút thay đổi bởi Ganjiang
sông. Chúng ta có thể nhìn thấy những hiện tượng trong hình ảnh trường gió trong CALPOST. Các trường gió gần mức bề mặt phức tạp hơn so với
mức độ cao hơn, và họ cũng cho thấy biến đổi trong ngày lớn hơn do
hiệu ứng địa hình địa phương (sau khi mặt trời mọc vào hiệu ứng địa hình được giảm xuống
bởi sự đối lưu cải tiến). Lĩnh vực khí tượng cung cấp cho
mô hình phân tán có thể chứa không chắc chắn đáng kể mà
ảnh hưởng xấu đến các mô phỏng mô hình (Sistla et al., 1996). Trong lĩnh vực này
chiến dịch, mật độ dữ liệu khí tượng là đủ, nhưng
tần số của 1 h (theo yêu cầu của CALMET) có lẽ không thích hợp để nắm bắt những thay đổi chi tiết trong lĩnh vực gió gần trường và
có thể gây ra những sai sót trong mô hình phân tán. Trong trạng thái ổn định, các
dữ liệu khí tượng hàng giờ có thể phù hợp, nhưng trong trường hợp này, các
trường gió với độ phân giải thời gian thô có thể chứa bất trắc. Sung. 4 mô tả sự thay đổi hướng và độ tập trung của
chuỗi thời gian đó cho thấy sự thay đổi thời điểm đánh dấu đám mây. Ngoài ra
ở địa hình phức tạp, sự ổn định thời tiết ảnh hưởng đến kết quả mô hình.
Trong điều kiện ổn định hiệu ứng địa hình đóng một vai trò quan trọng trong việc
phân tán, và nó là khó khăn đối với mô hình để phản ánh sự phức tạp thực
dòng chảy gây ra bởi đất miền núi và sông mặc dù có
một loạt các tính toán để điều chỉnh hiệu ứng địa hình. Trong một số
tình trạng không ổn định, hiệu suất của mô hình được cải thiện bằng cách
đối lưu hoạt động và giảm hiệu ứng địa hình. Chúng tôi sẽ thay đổi các
bước thời gian tới giá trị nhỏ như 10 phút trong trường gió để đầu tư
hiệu CALPUFF ở sau nghiên cứu.