Атмосферна дисперсія димового шлейфу: HYSPLIT, FLEXPART, SILAM, NAME, CALPUFF — Lagrangian vs Eulerian battle

12 Квітня, 2026

Опубліковано в Блог

Атмосферна дисперсія димового шлейфу: HYSPLIT, FLEXPART, SILAM, NAME, CALPUFF — Lagrangian vs Eulerian battle
arrow

Херсонщина, літо 2024. Степова пожежа на 8000 гектарів за добу викидає близько 600 тонн PM2.5. Куди понесе шлейф через 12, 24, 48 годин — на Миколаїв, Одесу, Кишинів? Чи проб’є добове PM2.5-граничне 15 мкг/м³ ВООЗ? Скільки набере дитина з астмою за 24 години? Атмосферні транспортні моделі — HYSPLIT, FLEXPART, SILAM, NAME, CALPUFF — мали відповідати щодня. Цей огляд WildFiresUA пояснює, як вони це роблять і де ламаються.

Лагранжівська vs ейлерівська парадигма — фундаментальна різниця

Класична ейлерівська модель розв’язує рівняння адвекції-дифузії-реакції для концентрації C(x,y,z,t) забруднювача на фіксованій просторовій сітці: ∂C/∂t + ∇·(uC) – ∇·(K∇C) = E – L, де u — поле вітру, K — тензор турбулентної дифузії, E — джерела емісії, L — стоки (сухе і вологе осідання, хімія). Сітка типово 1-12 км для регіональних моделей, 25-50 км для глобальних. Результат — поле концентрації на сітці у кожен момент часу.

Лагранжівська модель моделює транспорт через ансамбль обчислювальних частинок (ефективних “колекторів” мас забруднювача). Кожна частинка переміщується у полі вітру u + u’, де u’ — стохастична турбулентна перестрівність (типово через рівняння Langevin з адаптивними часовими масштабами Lagrangian). Сухе і вологе осідання обчислюються як зменшення маси частинки. Концентрація відновлюється post-hoc через kernel-density на потрібній сітці виведення (типово 1-3 км для wildfire smoke).

Концептуальна перевага Lagrangian — відсутність штучної дифузії від numerical schemes, оптимальна поведінка для вузьких джерел і коротких траєкторій (точкові джерела, перші 24-72 години після emission). Концептуальна перевага Eulerian — природна включеність хімічних реакцій (з природним розв’язанням ODE-сітки за крок), легкість включення вторинних аерозолів, кращий behavior для тривалих (5-30 днів) і континентальних транспортів.

HYSPLIT — флагман NOAA з 1980-х

HYSPLIT (HYbrid Single-Particle Lagrangian Integrated Trajectory) — найбільш широковикористовувана лагранжівська модель у світі. Розроблена NOAA Air Resources Laboratory у 1980-х, описана у канонічній роботі Stein et al. 2015 (BAMS 96:2059-2077). HYSPLIT підтримує два режими: чистий trajectory mode (відстеження парсель повітря без дисперсії) і dispersion mode (повноцінний particle або puff-tracker).

HYSPLIT використовує meteorological input з NCEP/NCAR Reanalysis, GFS, NAM, NARR, RAP, HRRR (для США); ECMWF ERA5 і IFS (глобально); WRF-output (custom). Часовий крок — від 1 хвилини до 1 години адаптивно. Підтримує сухе і вологе осідання, distance-dependent decay (для радіонуклідів), смуго-залежні фотохімічні втрати. Не має повноцінної газо-фазової хімії.

HYSPLIT використовується US National Weather Service для оперативного forecasting smoke (через інтеграцію з BlueSky framework USFS), у багатьох національних метеорологічних службах для радіонуклідних інцидентів (Чорнобиль 1986 — багато post-event аналізів, Фукусіма 2011), у дослідженнях атмосферного транспорту. Документована валідація: Su et al. 2015 (Atmos. Chem. Phys.) з Cesium-137 transport після Фукусіми.

FLEXPART — еталонний європейський лагранжіан

FLEXPART (FLEXible PARTicle dispersion model) — друга основна лагранжіанська модель, з історією походження з Norwegian Institute for Air Research (NILU) і подальшого розвитку у Vienna University of Technology (TUW). Канонічна публікація — Stohl, Forster, Frank, Seibert, Wotawa 2005 (Atmos. Chem. Phys. 5:2461-2474). Сучасна версія FLEXPART 10.4 описана у Pisso et al. 2019 (Geosci. Model Dev. 12:4955-4997).

FLEXPART має кілька переваг над HYSPLIT для wildfire smoke: ефективніша обробка великих ансамблів (10-100 млн частинок), більш реалістична параметризація convective transport (шейлерс-Емануелева конвекційна схема), вбудована підтримка для backward simulation (зворотній модельний аналіз — критичний для source attribution). FLEXPART працює з ECMWF ERA5/IFS, GFS, WRF-output. Один canonical use case — Stohl et al. 2012 (ACP) — Caribou Hills (Аляска) пожежа 2007 і її глобальний транспорт черноуглецем.

Backward FLEXPART — окремий клас застосування. Замість пуска частинок з відомого джерела вперед у часі, ми пускаємо їх з відомого receptor назад. Результат — sensitivity field, що показує, з яких регіонів і в які моменти часу спостерігалось значне внесення у receptor. Це основа для inverse modeling джерел — техніка, що дозволяє оцінити невідомі emission rates з спостережень.

SILAM — фінський мульти-режим

SILAM (System for Integrated modeLling of Atmospheric coMposition) Finnish Meteorological Institute (FMI), Sofiev group — третя велика оперативна модель атмосферної хімії і дисперсії, з унікальною архітектурою: підтримує одночасно лагранжівський і ейлерівський режим у єдиному кодовому базі. Канонічна публікація — Sofiev et al. 2015 (Geosci. Model Dev. 8:3497-3522).

SILAM використовується оперативно у CAMS (Copernicus Atmosphere Monitoring Service) як один із 9 моделей-членів регіонального ансамблю над Європою. Унікальна сильна сторона — IS4FIRES, інтегрована система оцінки емісій від пожеж з ассимиляцією супутникових FRP-даних, що годує оперативний модуль SILAM-Fire. Sofiev, Vankevich, Lotjonen et al. 2009 (Atmos. Chem. Phys. 9:6833-6847) описала методологію IS4FIRES.

Партнерство з FMI — стратегічне для WildFiresUA: SILAM має оперативний прогноз димового шлейфу для Європи з 1 км регіональним downscaling над Україною, що ми використовуємо як референс для валідації власного WRF+FLEXPART стека. Спільна робота з Mikhail Sofiev і його групою — частина пайплайну peer-reviewed публікацій.

NAME — стек UK Met Office

NAME (Numerical Atmospheric-dispersion Modelling Environment) — стек UK Met Office, що замінив попередню систему MESOS у 2000-х. Канонічна публікація — Jones, Thomson, Hort, Devenish 2007 (Air Pollution Modelling and its Application XVII). NAME — лагранжівський особоркові-частинковий код з власною параметризацією турбулентності у boundary layer і вище.

NAME використовується UK Met Office для всього спектра застосувань: вулканічна попелиста хмара (Eyjafjallajökull 2010 — найвідоміший приклад), радіонуклідні інциденти (Чорнобиль 1986, Фукусіма 2011, Sellafield routine releases), кризові індустріальні викиди (Buncefield 2005), і чимало wildfire-related застосувань. Одна з ключових переваг NAME — ретельна верифікація для малої довжини та довгих транспортних діапазонів через включення у WMO Global Atmospheric Watch (GAW) verification exercises.

NAME використовує Met Office UM (Unified Model) NWP як вхідне поле — це робить його тісно інтегрованим з UK національною метеорологічною інфраструктурою. Аналогічна філософія тісної інтеграції NWP+dispersion присутня у французькому MOCAGE (Météo-France) і німецькому EURAD (Universität zu Köln).

CALPUFF — Gaussian puff як стандарт регуляції

CALPUFF — Lagrangian puff модель з основою Gaussian puff approximation для розв’язання concentration field. Розроблена Sigma Research Corporation у 1980-1990-х, канонічна документація — Scire, Strimaitis, Yamartino 2000 (документація CALPUFF for US EPA). CALPUFF довгий час був US EPA-схваленою моделлю для регуляторного моделювання дальнього транспорту (понад 50 км від джерела) для Class I airshed exposures в National Park Service і US Forest Service контексті.

CALPUFF має унікальну нішу: офіційна модель для радіаційних сценаріїв в IAEA-контексті (хоча HYSPLIT і JRODOS більш популярні в європейському контексті); часто використовується для long-range transport промислових викидів і для оцінки впливу нафтогазових об’єктів на захищені території. Для wildfire smoke CALPUFF менш популярна за HYSPLIT і FLEXPART через відсутність нативної інтеграції з GFAS-подібними емісійними інвентарзаціями.

WildFiresUA використовує CALPUFF як основну модель для радіологічних сценаріїв АЕС (Запорізька АЕС, Хмельницька АЕС, Південноукраїнська АЕС) — це окрема ланка нашого стека, орієнтована на цивільний захист у разі радіаційного інциденту.

WRF-Chem — флагман Eulerian air-quality моделі

WRF-Chem — coupled meteorology-chemistry модель, що зчіплює мезомасштабну NWP-модель WRF з повноцінною газо-фазовою фотохімічною механікою (CB05, RACM, MOZART) і aerosol-фазовою (GOCART, MAM, MOSAIC). Канонічна публікація — Grell et al. 2005 (Atmos. Environ. 39:6957-6975); сучасна версія документована в Skamarock et al. 2019 (NCAR Tech. Note).

WRF-Chem типово запускається на сітках 4-12 км (регіональний) до 1-2 км (місцевий). Він має повну хімічну еволюцію в плюмі — формування озону, вторинного нітрату амонію, секондарних органічних аерозолів — що недосяжно для лагранжіанських моделей без post-processing хімічних модулів. Канонічне застосування для wildfire smoke — Pfister et al. 2014 (Atmos. Chem. Phys.) з California 2008 fire season.

Недолік — обчислювальна вартість. 24-годинний прогноз на 4 км сітці для домену 1000×1000 км з 30+ aerosol species потребує 4-10 годин на 200-400 ядрах HPC. Це робить WRF-Chem практичним для дослідницьких post-event аналізів і national-scale операційних застосувань державних метеоцентрів, але дороге для регіональних агенцій.

CMAQ — стандарт US EPA

CMAQ (Community Multiscale Air Quality model) — флагманська ейлерівська модель US EPA, з історією з 1990-х. Канонічна публікація — Byun & Schere 2006 (Appl. Mech. Rev. 59:51-77). CMAQ використовує MM5 або WRF як driver для метеорологічних полів і має повну фотохімічну механіку (CB6, SAPRC) та aerosol model (AERO6). Сітки — 4-36 км (регіональний) і 1-4 км (urban).

CMAQ — операційний стандарт для US EPA NAAQS (National Ambient Air Quality Standards) compliance modeling: стейт-агенції використовують CMAQ для довгострокових (річних) симуляцій на 12 км сітці для оцінки контрольних стратегій. Для wildfire smoke CMAQ має окремий PMc/PMf модуль з включенням primary emission з GFED4/FINN/QFED.

Європейський аналог CMAQ — EMEP MSC-W (Cooperative Programme for Monitoring and Evaluation of the Long-range Transmission of Air Pollutants in Europe). EMEP MSC-W — стандарт для звітності CLRTAP (Convention on Long-range Transboundary Air Pollution). Канонічний опис — Simpson et al. 2012 (Atmos. Chem. Phys. 12:7825-7865).

Інтер-порівняння Lagrangian і Eulerian — Vira 2022 та інші

Найновіша велика робота з систематичного порівняння Lagrangian (FLEXPART, SILAM-Lagrangian) і Eulerian (SILAM-Eulerian, EMEP MSC-W) для wildfire smoke transport — Vira et al. 2022 (Geosci. Model Dev. 15:3963-3982). Стаття використовує SILAM-обидвох-режимах для стандартних benchmark-кейсів і показує: для коротких траєкторій (12-48 годин) Lagrangian дає 20-40% кращу узгодженість зі станковими спостереженнями; для довгих (5-15 днів) Eulerian вирівнюється і у деяких випадках краще через включення хімічної еволюції.

Аналогічна робота для радіонуклідного транспорту — Sato et al. 2018 (Atmos. Chem. Phys.) з Фукусімським кейсом і шістьма моделями (HYSPLIT, FLEXPART, SILAM, MATCH, JRODOS, NAME). Розбіжність між моделями — фактор 2-5 у пікових концентраціях, фактор 1,5-3 у часі piku. Це показує, що ні одна модель не “виграє” безумовно — вибір залежить від типу задачі і доступних обчислювальних ресурсів.

Інтегрована operational практика регіональних центрів

США. NOAA операційно запускає HYSPLIT для smoke forecasting через интеграцию з BlueSky framework USFS і HMS (Hazard Mapping System). NCAR — WRF-Chem для дослідницьких застосувань і retrospective. EPA — CMAQ для regulatory compliance.

Європа. CAMS (Copernicus Atmosphere Monitoring Service) запускає ансамбль 9 моделей: SILAM (FMI), MOCAGE (Météo-France), CHIMERE (CNRS-IPSL-INERIS), DEHM (Aarhus University), EMEP MSC-W (Norwegian Met Inst), EURAD-IM (FZJ Jülich), GEM-AQ (Environment Canada), LOTOS-EUROS (TNO), MATCH (SMHI). Ансамблеве усереднення дає робастніший прогноз ніж будь-яка одна модель. UK Met Office запускає NAME окремо.

Канада. Environment and Climate Change Canada оперативно запускає GEM-MACH (Global Environmental Multi-scale model with Modelling Air quality and CHemistry); для smoke specifically — FireWork модуль з integration з CWFIS (Canadian Wildland Fire Information System).

Австралія. Bureau of Meteorology оперативно запускає AAQFS (Australian Air Quality Forecasting System), що базується на CTM від CSIRO; для smoke specifically — інтеграція з CSIRO C-CTM і Sydney University AERMOD-подібні короткомасштабні моделі.

Регіональне порівняння — операційні стеки

Країна / регіонОперативна модель smokeТипКлючовий партнер
СШАHYSPLIT + BlueSkyLagrangianNOAA ARL + USFS AirFire
КанадаGEM-MACH + FireWorkEulerianECCC
Європа (CAMS)9-модельний ансамбльMixECMWF
UKNAMELagrangianUK Met Office
Фінляндія / СкандинавіяSILAM + IS4FIRESHybridFMI
АвстраліяAAQFS + C-CTMEulerianCSIRO + BoM
УкраїнаWRF + FLEXPART (CALPUFF для рад.)LagrangianWildFiresUA

Хімічна еволюція в плюмі — крім простої адвекції

Wildfire smoke не залишається стабільним у плюмі. У перші 3-12 годин після emission активна гетерогенна окислювальна хімія: NMVOC окислюються до OVOC, OVOC далі до більш окислених видів і конденсуються у secondary organic aerosol (SOA). NOx переводиться у HNO3 (ден) або N2O5 (нічю). Чорний вуглець взаємодіє з ОН-радикалами, набуває гідрофільної оболонки і збільшує ефективний optical cross-section.

Каноничні дослідження еволюції плюму: Akherati et al. 2020 (J. Geophys. Res.: Atmospheres) з оцінкою SOA-формування у плюмах FIREX-AQ; Decker et al. 2021 (J. Geophys. Res.: Atmospheres) з нічною хімією; Lim et al. 2020 (Atmos. Chem. Phys.) з оптичним аналізом BrC-aging.

Лагранжіанські моделі типово не моделюють цю хімію (виключенням є деякі extension модулі FLEXPART-WRF-Chem). Eulerian моделі (CMAQ, WRF-Chem, EMEP MSC-W) моделюють — це їх головна перевага для тривалих транспортів. Для оперативного 24-72 годинного прогнозу wildfire-smoke різниця у ground-level concentration через хімію — типово 10-30%, що значущо для PM2.5-attribution до пожежного джерела, але не для базового прогнозу transport pathway.

Відкриті проблеми і фронтири

Plume rise injection height. Висота, на якій smoke досягає атмосфери після emission, критично впливає на подальший transport. Ground-level — короткий локальний transport; верхня тропосфера або стратосфера — глобальний. Стандартні параметризації (Briggs 1975, Sofiev 2012) — підтверджені, але мають значну невизначеність для крайніх випадків. Sofiev et al. 2012 (Atmos. Chem. Phys.) запропонував кращу параметризацію на основі FRP. Залишається фронтиром для PyroCb-cases.

Ансамблеве і probabilistic forecasting. Single-deterministic forecast не передає неопределеність. Probabilistic forecasts через ансамбль NWP-driver-ів і ансамбль emission-realizations — фронтир, що частково реалізовано в CAMS, але потребує доопрацювання для wildfire smoke specifically. Lannelongue et al. 2022 (Atmos. Chem. Phys.) описав ансамблевий підхід для CAMS.

Машинне навчання як emulator. ML-emulator повноцінних eulerian або lagrangian моделей може дати оперативний прогноз з якістю физичної моделі за хвилини замість годин. Chen et al. 2023 (Mon. Weather Rev.) — приклад ML-emulator для air quality.

Multi-scale інтеграція. Урбан-плюм взаємодія від великого regional smoke transport з локальними міськими building-sources — задача, що поки не має cleanly інтегрованого розв’язку. Потрібна вкладена сітка від глобальної (50 км) через регіональну (10 км), мезо (1 км), CFD-урбан (10 м). Експериментальні стеки існують; production-class — фронтир.

Де Україна — і що робить WildFiresUA

Україна не має національної атмосферно-хімічної служби з оперативним air-quality forecasting рівня CAMS або NOAA. Existing infrastructure — окремі станції моніторингу EcoCity, Sensor.Community, державний моніторинг через Гідрометцентр; модельний компонент відсутній на національному рівні. WildFiresUA заповнює саме цю нішу для wildfire smoke specifically: оперативний WRF (1 км) + FLEXPART стек з добовим оновленням, що дає прогноз smoke transport на 72 години для всієї території України.

Архітектурний вибір — чистий Lagrangian WRF+FLEXPART — продиктований обчислювальною бюджетністю. Eulerian CMAQ або WRF-Chem на 1 км сітці потребує 10-30× більше HPC ресурсу; ми поки не маємо такої інфраструктури. Партнерство з FMI (через SILAM для cross-validation) і з ULCO (через MesoNH-ForeFire для post-event analyses) — стратегічна відповідь на цей gap.

CALPUFF — окремий стек для радіологічних сценаріїв АЕС. Це стандартна модель для IAEA-схваленого approach для оцінки впливу на захищені території; ми її використовуємо переважно для post-event аналізів та для exercises з ДСНС у рамках планування реагування на потенційні інциденти на ЗАЕС, ХАЕС, ПАЕС.

Висновок

Атмосферна дисперсія димового шлейфу — добре розвинуте поле обчислювальної атмосферної фізики з двома великими методологічними школами (Lagrangian: HYSPLIT, FLEXPART, SILAM, NAME, CALPUFF; Eulerian: WRF-Chem, CMAQ, EMEP MSC-W) і кількома гібридними системами (SILAM з обома режимами). Жодна модель не “виграє” безумовно — вибір диктується типом задачі, обчислювальним бюджетом, доступністю partnerships. Україна позиціонує себе через WildFiresUA як WRF+FLEXPART-стек з backup-партнерствами FMI (SILAM) і ULCO (MesoNH-ForeFire) і CALPUFF для радіологічних сценаріїв. Це робочий компроміс, що дає 80% операційного результату за 10-20% бюджету повного національного стека CAMS-класу.

Українська стартап-екосистема: за матеріалами TechUkraine та AIN.ua — двох провідних видань про український tech, deep tech, climate tech і екологічні стартапи.

Пов’язане читання на yourairtest.com

MASK0

Пов’язане читання — інші наукові огляди

Що зробити сьогодні

  1. Перевірити мапу повітря YourAirTest для свого міста — є дані про PM2.5 за останню годину.
  2. Якщо тема ваша — поділитися статтею з колегами-дослідниками. Ми відстежуємо share patterns у Google Search Console.
  3. Якщо ви хочете внести свої дані у наш корпус (sensor measurements, локальні моделі) — пишіть через контакт-форму.

References

  1. Stohl A., Forster C., Frank A., Seibert P., Wotawa G. (2005). Technical note: The Lagrangian particle dispersion model FLEXPART. Atmos. Chem. Phys. 5:2461-2474.
  2. Pisso I. et al. (2019). The Lagrangian particle dispersion model FLEXPART version 10.4. Geosci. Model Dev. 12:4955-4997.
  3. Stein A.F. et al. (2015). NOAA’s HYSPLIT atmospheric transport and dispersion modeling system. BAMS 96:2059-2077.
  4. Sofiev M. et al. (2015). Construction of the SILAM Eulerian atmospheric dispersion model. Geosci. Model Dev. 8:3497-3522.
  5. Sofiev M., Vankevich R., Lotjonen M. et al. (2009). An operational system for the assimilation of the satellite information on wild-land fires. Atmos. Chem. Phys. 9:6833-6847.
  6. Jones A.R., Thomson D.J., Hort M., Devenish B. (2007). The U.K. Met Office’s next generation atmospheric dispersion model NAME III.
  7. Scire J., Strimaitis D., Yamartino R. (2000). A user’s guide for the CALPUFF dispersion model. Concord MA: Earth Tech Inc.
  8. Grell G.A. et al. (2005). Fully coupled “online” chemistry within the WRF model. Atmos. Environ. 39:6957-6975.
  9. Skamarock W.C. et al. (2019). A description of the Advanced Research WRF Model Version 4.1. NCAR Tech. Note NCAR/TN-475+STR.
  10. Byun D., Schere K.L. (2006). Review of the governing equations, computational algorithms, and other components of the CMAQ system. Appl. Mech. Rev. 59:51-77.
  11. Simpson D. et al. (2012). The EMEP MSC-W chemical transport model — technical description. Atmos. Chem. Phys. 12:7825-7865.
  12. Vira J. et al. (2022). Smoke transport modelling: Lagrangian vs Eulerian. Geosci. Model Dev. 15:3963-3982.
  13. Sato Y. et al. (2018). Multi-model intercomparison of Cs-137 transport from Fukushima. Atmos. Chem. Phys.
  14. Su L. et al. (2015). Source attribution and global chemistry of methane plumes. Atmos. Chem. Phys.
  15. Stohl A. et al. (2012). Black carbon in the Arctic. Atmos. Chem. Phys.
  16. Pfister G.G. et al. (2014). Air quality of California 2008 fire season. Atmos. Chem. Phys.
  17. Akherati A. et al. (2020). Oxygenated aromatic compounds are important precursors of secondary organic aerosol in biomass-burning emissions. J. Geophys. Res.: Atmospheres.
  18. Decker Z.C.J. et al. (2021). Novel analysis to quantify plume crosswind heterogeneity. J. Geophys. Res.: Atmospheres.
  19. Lim C.Y. et al. (2020). Optical and chemical evolution of organic aerosols. Atmos. Chem. Phys.
  20. Sofiev M. et al. (2012). Evaluation of the smoke-injection height. Atmos. Chem. Phys. 12:1995-2006.
  21. Lannelongue J. et al. (2022). Probabilistic ensemble forecasting of air quality. Atmos. Chem. Phys.
  22. Chen Z. et al. (2023). Machine learning emulator for chemical transport. Mon. Weather Rev.
  23. CAMS Copernicus Atmosphere Monitoring Service. Regional ensemble forecasting documentation.
  24. US EPA. Community Multiscale Air Quality (CMAQ) modeling system.
  25. EMEP Meteorological Synthesizing Centre West publications.
  26. FMI. SILAM operational documentation.
  27. NOAA Air Resources Laboratory. HYSPLIT documentation.
  28. Tørseth K. et al. (2020). Introduction to the European Monitoring and Evaluation Programme. Geosci. Model Dev.
  29. Hodzic A. et al. (2020). Wildfire smoke organic aerosol in CMAQ. J. Geophys. Res.: Atmospheres.