Aarhus Universitets segl

609: OML: Gennemgang af modelformuleringen.

Olesen, H.R., Berkowicz, R.B. & Løfstrøm, P. 2007. 130 s. Faglig rapport fra DMU nr. 609

 

Sammenfatning

 

OML er en operationel luftforureningsmodel, der benyttes til at beregne spredning af luftforurening for punktkilder og arealkilder. Der er tale om en lokalskala model med et gyldighedsområde, som strækker sig til en afstand på omkring 20 km fra kilden. OML er en gaussisk røgfanemodel.

 

Den grundlæggende udvikling af OML-modellen skete i 1980'erne. OML var et af de første eksempler på en ny type af modeller. I stedet for at tage afsæt i en simpel klassificering af spredningsforholdene i diskrete klasser benytter OML sig af en parametrisering, der er baseret på en moderne fysisk forståelse af processerne i atmosfærens grænselag. Adskillige forbedringer blev indført i OML sammenlignet med tidligere modeller, såsom mere detaljerede procedurer til at beregne røgfaneløft, spredningsparametre der er kontinuerte funktioner af basale fysiske parametre (friktionshastighed, varmefluks, stabilitet og blandingshøjde) og delvis penetration gennem grænselagets top.

 

Fra 1990 er OML blevet benyttet operationelt i Danmark. Det sker bl.a. i tilknytning til Miljøstyrelsens Luftvejledning. Modellen har holdt sig stort set uændret i den forløbne periode indtil 2006, men den er dog blevet udbygget på visse punkter.

 

Ved siden af den operationelle model – men baseret på den – er der i tidens løb blevet udviklet afledte modelversioner, bl.a. med henblik på lugtproblemer og med henblik på vurdering af ammoniakdeposition.

 

I forbindelse med Vandmiljøplan III er modellen i 2005-06 blevet underkastet en omfattende gennemgang. Det er sket som et af leddene i et større projekt om lugt fra husdyrproduktion.

 

Ved gennemgangen i 2005-06 blev modellen testet imod flere eksperimentelle datasæt end tidligere. Disse analyser pegede på en række problemer, som i løbet af projektet er blevet løst gennem ændrede parametriseringer i visse af modellens komponenter.

 

Som resultat af processen foreligger nu en revideret model i en prototype-version. Denne omtales her i rapporten som "Research Version of OML", mens den operationelle model betegnes "Standard OML".

 

Nærværende rapport giver en beskrivelse af principperne og modelformuleringen i OML-modellen – både hvad angår den eksisterende standardversion og den ny Research Version.

 

Som nævnt er modellen blevet testet over for et udvalg af eksperimentelle datasæt fra ind- og udland. Det er vigtigt at påpege, at modelevaluering med eksperimentelle datasæt på ingen måde er en simpel aktivitet.

 

Der er i den forbindelse talrige problemer, hvoriblandt følgende kan fremhæves:

  • Eksperimentelle datasæt er begrænsede i mange henseender. De er dyre at indsamle, og de vil derfor uvægerligt kun repræsentere en lille del af de mulige scenarier mht. meteorologi og kildens beskaffenhed.
  • Det er alt andet end trivielt at tilrettelægge eksperimentelle datasæt til valideringsformål. Dette udsagn dækker over en lang række problemer. Sådanne problemer behandles mere dybtgående i en supplerende rapport (under udarbejdelse, Olesen et al., 2007).
  • Der er en uundgåelig variabilitet i målte data, fordi atmosfærisk turbulens er en stokastisk proces. Det indebærer, at uanset om en model er perfekt, så vil dens resultater afvige fra observationer. Når der som her er tale om en enkelt punktkilde og koncentrationsværdier, som måles time for time, gør dette problem sig langt kraftigere gældende end udenforstående normalt gør sig klart.

 

Disse omstændigheder har som konsekvens, at det ofte er vanskeligt at drage sikre konklusioner om en models træfsikkerhed.

 

De analyser, der er beskrevet her i rapporten, viser imidlertid gennemgående en bedre grad af træfsikkerhed for den ny Research Version end for standard OML. For visse situationer er forbedringen markant, mens den i andre situationer er marginal.

 

Det er tanken, at den nye Research Version skal erstatte standard-modellen. Det anbefales, at inden den eksisterende model erstattes med Research Version til operationel brug, gennemføres der modelsimuleringer for et bredt udsnit af kilder og meteorologi. I det omfang det er muligt, er det ønskeligt at gennemføre yderligere validering med nogle eksperimentelle datasæt, der repræsenterer et supplerende udsnit af fysiske forhold.

 

I forbindelse med de foretagne analyser har vi ikke blot betragtet OML, men også inddraget den amerikanske model AERMOD, der er beslægtet med OML. AERMOD er udarbejdet på foranledning af den amerikanske miljøstyrelse EPA. Vi har foretaget modelvalidering på grundlag af en række eksperimentelle datasæt med simple kildekonfigurationer, hvor bygninger ikke har betydning. I disse sammenligninger giver Research Version af OML sammenlignelige eller bedre resultater i forhold til AERMOD.

 

Herudover har projektet omfattet en del arbejde, hvor bygningers indvirkning på spredning har været i fokus. I forbindelse med dette arbejde er der gjort udstrakt brug af et datasæt fra EPA's vindtunnel, tilvejebragt af R. Thompson (1993).   Dette datasæt er særdeles omfattende og har hidtil ikke været genstand for den opmærksomhed, det fortjener.

 

Den bygningsalgoritme, der indgår i AERMOD - benævnt PRIME - blev oprindelig anset for at være en naturlig kandidat til at indgå i OML og dermed erstatte OML's nuværende bygningsalgoritme. PRIME er resultatet af en betydelig udviklingsindsats i USA i 1990erne.

 

Thompson's datasæt har givet mulighed for at vurdere AERMOD og OML med den nuværende bygningsalgoritme, når modellerne fik til opgave at simulere en lang række konfigurationer af bygningsgeometri og skorstensplacering.

 

Analyserne på grundlag af Thompsons datasæt viste imidlertid - noget overraskende - at ved at benytte AERMOD's metode til at beregne bygningseffekt, vil man i det store og hele ikke få meget mere præcise resultater for bygningseffekten.

 

OML har visse erkendte problemer med håndtering af bygninger, men også AERMOD har i mange situationer alvorlige problemer med at simulere bygningseffekter korrekt.   Det er derfor ikke nogen anbefalelsesværdig løsning blot at indarbejde AERMOD's metode i OML. Som sagerne står, så må en bruger af enten AERMOD eller OML acceptere temmelig store afvigelser mellem modelforudsigelser og observationer for mange situationer med bygninger. I store afstande fra kilden er forudsigelserne rimelige, men tæt ved kilden kan der let være over- eller under-vurderinger på en faktor 2 eller mere. Problemet bunder i, at bygningseffekter er særdeles komplekse. Det er svært for en simpel model - som OML, AERMOD og mange andre modeller - at simulere dem korrekt. For en modelbruger ser tingene således ud, at hvis han ønsker forudsigelser tæt ved en bygning, så kan han vælge at bruge en simpel model a la OML, men han må i så fald være villig til at acceptere en begrænset nøjagtighed. Alternativt kan han vælge en model af en helt anden type, som er adskillige størrelsesordner mere krævende mht. datakraft, og også krævende på anden vis. Den tyske CFD model MISKAM er et eksempel på en sådan model. MISKAM har været inddraget i undersøgelserne, og i situationer med bygninger giver den klart bedre resultater end AERMOD og OML.

 

At bruge MISKAM – eller andre CFD-modeller – kræver tilegnelse af specialviden, en stor arbejdsindsats ved tilrettelæggelse af data, samt massive mængder datakraft. Derfor kan MISKAM ikke benyttes til operationelle formål på samme måde som de simple modeller.

 

Det skal bemærkes, at et af de erkendte problemer med OML formentlig kan imødegås med ret simple ændringer i OML's bygningsalgoritme. Det drejer sig om det problem, at der i modellen er et brat ophør af bygningseffekten, når afstanden mellem skorsten og bygning bliver større end to bygningshøjder. I realiteten er der en effekt også for større afstande, og den aftager gradvis.

 

Sammenfattende må det anbefales at Research Version af OML efter en relativt kort fase med konsolidering afløser den nuværende standard OML model. Enkelte oplagte forbedringer af den nuværende OML bygningsalgoritme bør indføres.

 

På længere sigt er det ønskeligt med en væsentligt forbedret bygningsalgoritme. At skabe en sådan algoritme vil imidlertid kræve endnu en betydelig udviklingsindsats, uden garanti for succes. Resultaternes kvalitet kan formentlig øges lidt i forhold til den nuværende OML og til AERMOD. Imidlertid er spørgsmålet om bygningseffekt så komplekst, at man må forvente at en hvilken som helst simpel model vil komme til kort i en del situationer.

 

Som et nyttigt biprodukt fra det foreliggende projekt har arbejdet resulteret i mange iagttagelser, der er af generel interesse for evaluering af spredningsmodeller. Vi har arbejdet indgående med en række eksperimentelle datasæt og har i den forbindelse identificeret en del problemer og faldgruber ved brug af de foreliggende eksperimentelle datasæt. Der gøres rede herfor i en separat rapport om modelvalidering (Olesen et al., 2007).

 

 

 

Hele rapporten  i pdf-format (3.734 kB).