MARC

 008250123s2024        us                              c    eng  d
■001000017163971
■00520250211152816
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384069034
■035    ▼a(MiAaPQ)AAI31558675
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a551.5
■1001  ▼aThapa,  Laura  Hughes.
■24510▼aImproving  the  Representation  of  Fresh  Wildfire  Smoke  Plumes  in  Air  Quality  Forecasts
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a267  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Saide,  Pablo  E.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aWildfires  are  increasing  in  size  and  frequency  in  the  Western  US  due  to  a  complex  interplay  between  climate  change  and  landscape-scale  fire  exclusion  practices.  The  smoke  from  these  fires  is  degrading  air  quality  across  much  of  the  Continental  US.  Chemical  transport  models  are  vital  for  warning  the  public  about  smoky  periods,  but  uncertainties  related  to  fresh  smoke  plumes  can  propagate  through  these  models  and  cause  errors  in  the  resulting  air  quality  forecasts.We  address  model  uncertainty  related  to  smoke  plume  vertical  extent  and  total  emissions.  First,  we  use  aircraft  observations  obtained  during  the  2019  Western  US  wildfires  (FIREX-AQ)  to  evaluate  and  constrain  a  commonly  used  smoke  plume  rise  parameterization  in  two  smoke  models  (WRF-Chem  and  HRRR-Smoke).  Observations  show  that  free  tropospheric  smoke  layers  occur  in  35%  of  observed  plumes  and  up  to  95%  of  modeled  plumes.  False  free  tropospheric  smoke  injections  were  primarily  associated  with  models  overestimating  fire  heat  flux  by  up  to  a  factor  of  25.  Next,  we  present  data-driven  methods  for  predicting  day-to-day  changes  in  smoke  emissions.  Our  top-performing  model  (random  forest)  explains  48%  of  the  variance  in  observed  daily  emissions  and  outperforms  the  current  operational  assumption  that  emissions  will  remain  constant  over  a  forecast  period  (persistence,  R2=0.02).  This  model  primarily  relies  on  fire  weather  data  to  inform  its  predictions.  Finally,  we  show  preliminary  results  from  WRF-Chem  simulations  which  include  random  forest-derived  emissions  and  updated  heat  flux  values.  We  find  that  in  the  vicinity  of  large  wildfires  in  2020  under  less  severe  fire  weather,  the  random  forest-derived  emissions  can  produce  better  predictions  of  aerosol  optical  depth  (AOD)  and  fine  particulate  matter  (PM2.5)  than  the  persistence  fire  emissions.  However,  in  most  cases,  persistence  and  random  forest-derived  emissions  yield  very  similar  AOD  and  PM2.5  predictions,  and  that  the  random  forest-derived  emissions  can  both  improve  and  degrade  AOD  and  PM2.5  forecasts.  Overall,  this  work  demonstrates  the  utility  of  incorporating  fire  observations  to  quantify  and  address  uncertainties  in  our  state-of-the-art  air  quality  modeling  systems.
■590    ▼aSchool  code:  0031.
■650  4▼aAtmospheric  chemistry
■650  4▼aGeophysics
■650  4▼aAtmospheric  sciences
■653    ▼aAerosol  optical  depth
■653    ▼aWildfires
■653    ▼aAir  quality
■653    ▼aSmoke  plumes
■690    ▼a0371
■690    ▼a0725
■690    ▼a0373
■71020▼aUniversity  of  California,  Los  Angeles▼bAtmospheric  &  Oceanic  Sciences  002E.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163971▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서