ConclusionIn this tracer study, we

Conclusion
In this tracer study, we conducted a tracer experiment and used
field sampling data to evaluate CALPUFF model for predicting nearfield, short-term concentration. Results from this study indicate the
following observations:
1. The CALMET model can correctly capture the shape and
direction of tracer cloud, but hourly resolution of meteorological data may be too coarse to predict the short-range dispersion and may induce some errors.
2. Four kinds of CALPUFF dispersion methods (PG, Similarity
theory, puff and slug) failed to predict peak concentrations
in short-range dispersion. The main problem in this CALPUFF
evaluation is the globally underestimation of CALPUFF
especially in high concentration region. CALPUFF model has
good performance when it simulates long-range or shortrange but long time average dispersion, but there are
some uncertainties in its components in near-field, shortterm application (e.g., in the complex terrain region close to
the source where concentration sharply varies with space,
the dispersion model can not process this variation). Besides
experimental errors, there are may be some inherent
modeling limitation when applying in near-field complex
setting for short-term prediction.
3. For short-range dispersion, the influence of dispersion
methods is more important than wind field. The wind fields
affect the tracer cloud directions and mixing height which
definite the vertical dispersion, but in short-range the influence
is limited. The dispersion parameter method influences the
concentration lever and is an important component in shortrange dispersion modeling.

Kết quả (Việt) 1:

Kết luậnTrong nghiên cứu này đánh dấu, chúng tôi tiến hành một thử nghiệm tracer và sử dụngtrường lấy mẫu dữ liệu để đánh giá CALPUFF mô hình dự đoán nearfield, tập trung ngắn hạn. Kết quả từ nghiên cứu này cho thấy cácquan sát sau đây:1. mô hình CALMET đúng có thể chụp hình vàhướng của tracer đám mây, nhưng độ phân giải theo giờ của khí tượng dữ liệu có thể là quá thô để dự đoán các phân tán tầm ngắn và có thể gây ra một số lỗi.2. bốn loại các phương pháp phân tán CALPUFF (PG, tương tựlý thuyết, puff và sên) thất bại trong việc dự đoán nồng độ đỉnh caoở tầm ngắn phân tán. Vấn đề chính trong CALPUFF nàyđánh giá là sự toàn cầu underestimation của CALPUFFđặc biệt là ở khu vực tập trung cao. CALPUFF mô hình cóhiệu năng tốt khi nó mô phỏng tầm xa hoặc shortrange nhưng lâu thời gian trung bình là phân tán, nhưng cómột số sự không chắc chắn trong thành phần của nó ở gần trường, shortterm ứng dụng (ví dụ, trong vùng địa hình phức tạp gầnnguồn nơi tập trung mạnh thay đổi theo không gian,Các mô hình phân tán có thể không quá trình biến đổi này). Bên cạnh đóthử nghiệm lỗi, có thể có một số vốn cóMô hình hóa hạn chế khi áp dụng trong gần lĩnh vực phức tạpthiết lập cho dự báo ngắn hạn.3. đối với các phân tán tầm ngắn, ảnh hưởng của sự phân tánphương pháp là quan trọng hơn gió trường. Cánh đồng Gióảnh hưởng đến hướng dẫn đám mây tracer và pha trộn chiều cao màxác định các phân tán theo chiều dọc, nhưng trong tầm ảnh hưởnglà giới hạn. Ảnh hưởng đến các phương pháp tham số phân tán cácnồng độ đòn bẩy và là một thành phần quan trọng trong shortrange mô hình phân tán.

Kết quả (Việt) 2:

Kết luận
Trong nghiên cứu đánh dấu này, chúng tôi đã tiến hành một thí nghiệm đánh dấu và sử dụng
dữ liệu lấy mẫu hiện trường để đánh giá mô hình để dự đoán CALPUFF nearfield, tập trung ngắn hạn. Kết quả từ nghiên cứu này cho thấy các
quan sát sau:
1. Mô hình CALMET có thể nắm bắt một cách chính xác hình dạng và
hướng của tracer đám mây, nhưng độ phân giải theo giờ của các dữ liệu khí tượng có thể là quá thô để dự đoán sự phân tán tầm ngắn và có thể gây ra một số lỗi.
2. Bốn loại phương pháp CALPUFF phân tán (PG, Similarity
lý thuyết, puff và sên) không dự đoán được nồng độ đỉnh
trong tầm ngắn phân tán. Vấn đề chính ở CALPUFF này
đánh giá là đánh giá thấp trên toàn cầu của CALPUFF
đặc biệt là trong khu vực tập trung cao. CALPUFF mô hình có
hiệu suất tốt khi nó mô phỏng tầm xa hoặc shortrange nhưng thời gian dài phân tán trung bình, nhưng có
một số bất ổn trong thành phần của nó ở gần trường, ứng dụng dưỡng ngắn hạn (ví dụ, trong các khu vực địa hình phức tạp gần
nguồn nơi tập trung mạnh thay đổi với không gian,
các mô hình phân tán không thể xử lý sự thay đổi này). Bên cạnh
lỗi thử nghiệm, có thể có một số vốn có
giới hạn mẫu khi áp dụng trong trường gần phức tạp
thiết lập để dự báo ngắn hạn.
3. Đối với tầm ngắn phân tán, ảnh hưởng của sự phân tán
các phương pháp là quan trọng hơn so với trường gió. Các trường gió
ảnh hưởng đến hướng tracer đám mây và trộn chiều cao mà
xác định sự phân tán dọc, nhưng ở tầm ngắn ảnh hưởng
hạn chế. Các phương pháp tham số phân tán ảnh hưởng đến
đòn bẩy tập trung và là một thành phần quan trọng trong mô hình shortrange phân tán.