Sviluppo e applicazione del metodo kernel in modelli lagrangiani a particelle a scala locale e a microscala

Lagrangian Particle models are useful tools for the reconstruction of the dispersion of pollutants in atmosphere in complex meteorological and orographic situations and in different space- and time- scales. In order to compute the concentration following the trajectories of many computational particles released from the sources, it is a common practice to use the box-counting method, which, however, takes a considerable time for the calculation due to the need of a very large number of particles for the simulation of the emission from a large number sources (urban traffic). Alternative methods based on the kernel density estimator have been proposed in scientific literature because they allow for a reduction of the number of the particles keeping a similar accuracy, improving the efficiency of models and widening their application fields. However, nowadays the method isn’t widely used, especially in models that perform simulations at very small scales. This thesis aims to develop a kernel method to compute concentration into both a local scale model and a microscale model, that takes into account also the presence of obstacles in the domain. At the local scale, reducing the number of the emitted particles up to 1/10 and the computational effort up to 78%, concentration fields with the same accuracy of the box-counting method are obtained, with an Index of Agreement, that measures the difference between the concentration fields calculated with the two methods, higher than 0.99. At microscale, the reduction of the computational time, keeping the same reduction on the number of emitted particles, is smaller but still noticeable and close to 60%, with an Index of Agreement of 0.98. The kernel method allows hence for the computation of microscale simulations also over large domains (whole cities) and long periods (annual simulations), obtaining concentration fields with a good accuracy, with a considerable saving of time compared to box-counting method.

I modelli lagrangiani a particelle sono uno strumento molto utilizzato per la simulazione numerica della dispersione degli inquinanti in atmosfera in situazioni meteorologiche e orografiche complesse, per diverse scale spaziali e temporali. Per il calcolo della concentrazione delle sostanze emesse il metodo più utilizzato, a partire dall’analisi delle traiettorie di particelle computazionali, è quello del loro conteggio in celle discrete del dominio di analisi, che richiede però tempi di calcolo potenzialmente elevati in presenza di un elevato numero di particelle necessarie a simulare le emissioni di molte sorgenti (traffico in agglomerati urbani). Sono stati proposti in letteratura metodi alternativi basati sul kernel density estimator, che consentono di ottenere risultati simili a quelli del metodo del conteggio adoperando un numero inferiore di particelle, quindi migliorando l’efficienza computazionale del modello e permettendo di allargarne ulteriormente il campo di applicazione. Ad oggi tuttavia l’impiego di questo metodo è ancora limitato, soprattutto alle scale spaziali più piccole. Nella presente tesi si sviluppa e si valuta l’applicabilità del metodo kernel in due modelli lagrangiani, uno a scala locale e uno a microscala che considera anche la presenza esplicita di ostacoli nel dominio di calcolo. A scala locale, limitando fino a 1/10 il numero di particelle impiegate e riducendo il carico computazionale fino al 78%, si sono ottenuti campi di concentrazione medi orari al suolo paragonabili a quelli prodotti con il metodo del conteggio, con un Index of Agreement, che misura la differenza dei campi di concentrazione tra i due metodi, superiore a 0,99, Operando a microscala la riduzione di tempo è inferiore, rimanendo comunque molto significativa: con lo stesso rapporto di particelle, è pari al 60% con un Index of Agreement tra i campi di concentrazione di 0,98. Il metodo consente quindi la realizzazione di simulazioni a microscala su domini estesi (intere città) e lunghi periodi (simulazioni annuali), con un risparmio computazionale notevole rispetto ai sistemi tradizionali, ottenendo campi di concentrazione caratterizzati da una buona accuratezza.