Air- STEMS: یک مدل پخش آلودگی هوا مبتنی بر GIS برای ارزیابی در معرض خطر در سطح شهر

روش‌های کنونی مدل‌سازی آلودگی هوا به آسانی نیازهای تهیه نقشه آلودگی هوا را برای مطالعات کوتاه‌مدت (‏به طور مثال روزانه)‏برآورده نمی‌کنند. عامل محدود کننده این است که برای آن مدل‌هایی که با داده‌های GIS زوج هستند ابزارهای کافی برای نقشه‌برداری مستقیم آلودگی هوا هم در تفکیک فضایی بالا و هم در مناطق وسیع (‏به عنوان مثال عریض)‏وجود دارند. یک مدل ساده آلودگی هوا مبتنی بر GIS (‏STEMS – Air)‏برای PM10 برای برآورده کردن این نیازها با گزینه انتخاب دوره‌های میانگین گیری مختلف (‏به عنوان مثال روزانه و سالانه)‏توسعه داده شده‌است. ساقه‌ها – نیروی هوایی از تابع FOCALSUM مبتنی بر شبکه در ArcGIS به همراه شبکه ریز منابع انتشار و اطلاعات پایه در مورد استفاده از یک مدل ساده پخش انتشار آلودگی هوا استفاده می‌کند. STEMS – Air در لندن، بریتانیا، با استفاده از داده‌هایی در مورد تراکم PM10 از داده‌های نظارتی موجود، توسعه داده و معتبر شد. نتایج حاصل از بررسی اعتبار سنجی نشان می‌دهد که STEMS – Air خوب عمل می‌کند. نتایج نشان داد که هر دو رقم مورد مطالعه (‏در هر چهار منطقه)‏و سالانه (‏در ۳۰ نقطه)‏در معرض PM10 قرار

Current methods of air pollution modelling do not readily meet the needs of air pollution mapping for short-term (i.e. daily) exposure studies. The main limiting factor is that for those few models that couple with a GIS there are insufficient tools for directly mapping air pollution both at high spatial resolution and over large areas (e.g. city wide). A simple GIS-based air pollution model (STEMS-Air) has been developed for PM10 to meet these needs with the option to choose different exposure averaging periods (e.g. daily and annual). STEMS-Air uses the grid-based FOCALSUM function in ArcGIS in conjunction with a fine grid of emission sources and basic information on meteorology to implement a simple Gaussian plume model of air pollution dispersion. STEMS-Air was developed and validated in London, UK, using data on concentrations of PM10 from routinely available monitoring data. Results from the validation study show that STEMS-Air performs well in predicting both daily (at four site