深入解析calpuff高斯烟团大气扩散模型：原理、实现与工程实践

1次阅读

共计 1964 个字符，预计需要花费 5 分钟才能阅读完成。

2015 年天津港爆炸事故中，氰化氢气体扩散范围的快速预测直接影响了疏散范围的划定。当时使用的高斯模型因未考虑滨海局地环流，导致下风向 3 公里处实际浓度比预测值高出 40%。类似地，2020 年澳大利亚山火期间，悉尼 PM2.5 浓度的日变化曲线呈现双峰特征，传统箱式模型完全无法捕捉这种受海陆风影响的特殊扩散模式。

这些案例揭示了复杂地形气象条件下大气扩散模拟的三大核心挑战：

非稳态风场的时空异质性
地形强迫引起的二次环流
污染物化学转化的耦合影响

模型类型	适用场景	地形处理能力	化学机制
AERMOD	平坦地形点源	简单地形修正	无
ADMS	城市尺度线源	建筑物下洗	简单 NOx 化学
calpuff	复杂地形区域源	全三维地形	硫化物 / 硝酸盐转化

calpuff 的核心优势体现在其烟团积分算法：

$$ C(x,y,z) = \sum_{i=1}^{N} \frac{Q_i}{2\pi u\sigma_y\sigma_z} \exp\left(-\frac{y^2}{2\sigma_y^2}\right) \left[\exp\left(-\frac{(z-H)^2}{2\sigma_z^2}\right) + \exp\left(-\frac{(z+H)^2}{2\sigma_z^2}\right) \right] $$

其中烟团增长参数采用 Pasquill-Gifford 公式：

$$ \sigma_y = ax^b, \quad \sigma_z = cx^d $$

import xarray as xr
from scipy.interpolate import RegularGridInterpolator

def process_meteorology(wind_data):
    """
    处理 WRF 输出的风场数据
    :param wind_data: netCDF 格式的原始数据
    :return: 三维插值函数
    """
    ds = xr.open_dataset(wind_data)
    # 高度层标准化插值
    interp_u = RegularGridInterpolator((ds.longitude.values, ds.latitude.values, ds.height.values),
        ds.u_wind.values,
        bounds_error=False,
        fill_value=None
    )
    return interp_u

def stability_class(wind_speed, solar_rad, cloud_cover):
    """
    Turner 稳定性分类算法
    :param wind_speed: 10m 高度风速 (m/s)
    :param solar_rad: 太阳辐射 (W/m2)
    :param cloud_cover: 云量 (0-10)
    :return: 稳定度等级 A -F
    """
    if solar_rad > 800 and wind_speed < 2:
        return 'A'
    elif 400 < solar_rad <= 800 and wind_speed < 3:
        return 'B'
    # ... 其他条件判断
    else:
        return 'D'

import dask.array as da

def parallel_concentration(puffs, receptors):
    """使用 Dask 实现受体点浓度并行计算"""
    # 将烟团数据转换为 Dask 数组
    puff_array = da.from_array(puffs, chunks=(1000,))

    def calc_single(puff):
        return gaussian_plume(puff, receptors)

    # 自动并行映射计算
    results = puff_array.map_blocks(calc_single)
    return results.compute()

内存管理关键策略：