Гидрометеорологические исследования и прогнозы. 2025. № 2 (396). С. 64-84

64

DOI: https://doi.org/10.37162/2618-9631-2025-2-64-84

УДК 504.064.3:504.3.054

Обновленная система прогнозирования

концентраций загрязняющих веществ

в московском регионе на основе химической

транспортной модели CHIMERE-2023

Ю.В. Ткачева, И.Н. Кузнецова

Гидрометеорологический научно-исследовательский центр

Российской Федерации, г. Москва, Россия

muza@mecom.ru

На вычислительной платформе Cray XC40-LC Главного вычислительного центра

Росгидромета актуализирована одна из последних версий химической транспортной

модели CHIMERE-2023 с обновленным интерфейсом. С учетом того, что ХТМ

CHIMERE-2023 разрабатывалась и настраивалась для использования в странах

Евросоюза, установка обновленной версии сопровождалась серией численных экспе-

риментов по изучению чувствительности откликов модели в ответ на изменения ре-

гиональных выбросов, подбором параметров сезонного и суточного распределения

эмиссий используемого кадастра ЕМЕР-2021. Результаты экспериментального те-

стирования обновленной технологии указывают в целом на удовлетворительное ка-

чество прогнозирования приоритетных загрязняющих веществ с учетом того, что пе-

риод проверки (сентябрь 2024 года) был аномальным как по погодным условиям

(средняя месячная температура на 4 °С выше нормы), так и по загрязнению воздуха

частицами РМ₁₀из-за частого влияния дальнего переноса и из-за нехарактерного при-

земного озона, превысившего норму на 15‒18 %.

Ключевые слова: загрязняющие вещества, химическая транспортная модель

CHIMERE, эмиссии ЕМЕР, COSMO-Ru2ETR, верификация

An updated system for forecasting pollutant

concentrations in the Moscow region based

on the CHIMERE-2023 chemistry-transport model

J.V. Tkacheva, I.N. Kuznetsova

Hydrometeorological Research Center of Russian Federation, Moscow, Russia

muza@mecom.ru

One of the latest versions of the CHIMERE-2023 chemistry-transport model with an

updated interface is actualized on the Roshydromet CRAY XC40-LC computing platform.

Given that the CHIMERE-2023 model was developed and configured for use in the EU

countries, the installation of the updated version for the Moscow region was accompanied

by the series of numerical experiments to study the sensitivity of the model responses to

changes in regional emissions and by the selection of parameters for the seasonal and daily

emission distribution of the EMEP-2021 inventory used. The results of the experimental

testing of the updated technology indicate generally satisfactory quality of forecasting pri-

ority pollutants, taking into account that the testing period (September 2024) was abnormal

both in terms of weather conditions (the monthly mean temperature was 4 °С above normal)

Ткачева Ю.В., Кузнецова И.Н.

65

and in terms of air pollution with PM₁₀particles due to the frequent influence of long-range

transport, as well as due to uncharacteristic ground-level ozone, which exceeded the normal

by 15‒18%.

Keywords: pollutants, CHIMERE chemistry-transport model, EMEP emissions,

COSMO-Ru2ETR, verification

Введение

Использование химических транспортных моделей ‒ широко приме-

няемая зарубежная практика прогнозирования качества воздуха, что иллю-

стрируется публикациями ВМО, в частности [14]. Одним из примеров та-

кой практики может служить европейская Служба мониторинга атмосферы

Copernicus Atmosphere Monitoring Service (CAMS), которая предоставляет,

в частности, информацию о загрязнении воздуха по всему миру

(https://atmosphere.copernicus.eu/cams-air ). Ежедневно CAMS рассчитывает

четырехсуточные прогнозы по пяти основным загрязнителям воздуха, ре-

гулируемым стандартами качества воздуха Европейского союза и Всемир-

ной организации здравоохранения: диоксид азота (NO₂), озон (O₃), круп-

ные твердые частицы (PM₁₀), мелкие твердые частицы (PM_2,5) и диоксид

серы (SO₂), а также для некоторых других загрязняющих веществ, в т. ч.

формальдегида, а также пыльцы и аэрозольных трассеров в Европе

(https://atmosphere.copernicus.eu/european-air-quality-forecast-plots ).

Для

оценки опасности воздушного загрязнения в CAMS прогнозируется индекс

качества воздуха (AQI) по всей Европе на 24 часа вперед, при этом можно

получить информацию о AQI в любой час из предыдущих 48 часов.

Расчеты прогностических концентраций загрязняющих веществ про-

изводятся как по отдельным ХТМ: CHIMERE, DEHM, EMEP, EURAD-IM,

GEM-AQ, LOTOS-EUROS, MATCH, MINNI, MOSAGE, MONARCH,

SILAM, так и на основе региональной ансамблевой модели CAMS. Создан-

ная большими коллективами европейских разработчиков система прогно-

зирования качества воздуха CAMS служит прообразом разрабатываемой в

Гидрометцентре России в последние годы технологии прогнозирования.

В число используемых в CAMS моделей входит ХТМ CHIMERE,

которая с 2013 года является моделью открытого доступа [18]. XTM

CHIMERE версии 2013 года (CHIMERE-2013), реализованная в оператив-

ном режиме в Гидрометцентре России, описана подробно в [6, 7]. На базе

CHIMERE-2013 были проведены эксперименты с пространственной кор-

рекцией эмиссий загрязняющих веществ кадастра EMEP (European Moni-

toring and Evaluation Programme) 2013 года (https://www.emep.int/

emep_overview.html ), коррекцией сезонного и внутрисуточного распреде-

ления суммарных выбросов в атмосферу загрязняющих веществ, а также

тестирования вариантов с горизонтальным разрешением 11, 7 и 2 км путем

сравнения с данными наблюдений на автоматических станциях контроля

загрязнения атмосферы (АСКЗА) в Москве (https://mosecom.mos.ru/air-

quality/). Оценки прогнозов загрязняющих веществ позволили установить

66

Гидрометеорологические прогнозы, математическое моделирование

характерные отклонения модельных расчетов от измеренных концентра-

ций различных загрязняющих веществ. [6]. В последнее время для пост-

процессинга был применен метод машинного обучения, показавший целе-

сообразность применения такого подхода для повышения успешности

прогнозов загрязнений (РМ₁₀и О₃) в периоды неблагоприятных метеоро-

логических условий [1, 2].

В 2023 году разработчиками ХТМ CHIMERE была представлена новая

версия модели CHIMERE-2023 с коренным изменением вычислительной

структуры, улучшенным физическим и химическим наполнением, а также

новым препроцессором, позволяющим использовать входные эмиссии за-

грязняющих веществ из разных баз данных [17].

Современная вычислительная платформа Росгидромета и публикация

актуализированной XTM CHIMERE-2023 c эмиссиями EMEP за 2021 год

(EMEP-2021) позволили нам реализовать обновленную технологию про-

гнозирования на суперкомпьютере CRAY XC40-LC.

Ниже кратко описываются новые возможности CHIMERE-2023, отли-

чия от предыдущих версий ХТМ, особенности баз данных эмиссий, а также

полученные результаты тестирования обновленной технологии.

Новизна актуализированной ХТМ CHIMERE-2023

Модель CHIMERE-2023 находится в общем доступе, подробно опи-

сана в документациях на сайте [https://www.lmd.polytechnique.fr] и опубли-

кованных статьях разработчиков модели [15, 17]. XTM CHIMERE-2023 со-

здавалась разработчиками на базе версии модели CHIMERE-2013 [16, 18,

19]. К числу основных усовершенствований относятся:

• численная реализация модели в декартовой системе координат;

• реализация вариантов счета прогнозов: online ‒ с использованием в

качестве метеорологической модели только WRF (Weather Research and

Foreсasting) с учетом и без учета обратной связи между моделями, offline ‒

с использованием готовых прогнозов имеющихся у пользователей метео-

рологических моделей (WRF или др.);

• введение новых схем горизонтального и вертикального переноса

загрязняющих веществ;

• усовершенствование учета процессов подсеточного масштаба;

• возможность выбора механизма химических процессов SAPRC,

широко используемого в современных XTM, или MELCHIOR;

• реализация обновленного блока препроцессора расчета входных

эмиссий загрязняющих веществ c учетом измененной структуры записи

данных в актуализированной базе EMEP;

• возможность выбора БД для входных эмиссий (EMEP, CAMS

и др.);

• усовершенствование файловой структуры для удобства анализа

входных и прогностических данных.

Ткачева Ю.В., Кузнецова И.Н.

67

Горизонтальная сеточная структура аналогична структуре гидродина-

мической модели WRF, так как в своем оригинальном варианте WRF явля-

ется основной метеорологической моделью для CHIMERE-2023. Расчеты

XTM c использованием тандема CHIMERE ‒ WRF имеет ряд преимуществ,

поскольку не требует интерполяции входных метеорологических данных

при переходе к сетке химической модели, позволяет учесть обратную связь

прогнозируемых величин в обеих моделях, подобрать в обеих моделях па-

раметризации, наилучшим образом описывающие физические процессы

для выбранной области прогноза. Но одновременно с преимуществами ис-

пользования модели WRF стоит отметить и недостатки. Для оперативного

счета требуются мощные вычислительные и людские ресурсы. Если мощ-

ный РС или станцию для региональных прогнозов можно приобрести,

то профессионалов, имеющих опыт, знания в различных областях метеоро-

логии для настройки модели для своих географических районов, найти

сложнее.

ХТМ CHIMERE-2023

Актуализированная версия химико-транспортной модели CHIMERE,

вышедшая в 2023 году, предназначена для численного прогнозирования

концентраций загрязняющих веществ с учетом описания химических и фи-

зических процессов [17]. Предусмотренный разработчиками модели

CHIMERE-2023 вариант offline включения в химическую модель “готовой”

метеорологической прогностической продукции численных моделей атмо-

сферы был использовали нами для реализации обновленной технологии

прогнозирования качество воздуха в московском регионе.

В Гидрометцентре России считаются прогнозы по нескольким конфи-

гурациям системы краткосрочного прогнозирования COSMO-Ru с разным

горизонтальным и вертикальным разрешением и областями прогноза. По-

скольку эти модификации модели создавались для российских территорий,

то прогнозы рассчитываются с учетом физических процессов, характерных

для данных регионов. Для расчетов CHIMERE-2023 нами была выбрана

конфигурация COSMO-Ru2ETR. Следует отметить, что совместно с ис-

пользуемой конфигурацией модели COSMO-Ru в Гидрометцентре России

считается химическая модель COSMO-ART [3, 11], прогнозы которой

важны для сравнения и комплексирования с CHIMERE-2023.

Структура технологии прогнозирования концентраций загрязняющих

веществ на основе ХТМ CHIMERE-2023 представлена схематично в виде

составляющих блоков на рис. 1.

ХТМ CHIMERE-2023 реализована на суперкомпьютере Сray XC40-LC

Главного вычислительного центра Росгидромета. Предварительно были

установлены указанные в документации и отсутствовавшие на Сray

XC40-LC системные библиотеки. Время счета ХТМ CHIMERE-2023

прогноза концентраций загрязняющих веществ на 2 суток для московского

региона составляет около 1 часа.

68

Гидрометеорологические прогнозы, математическое моделирование

Рис. 1. Схема технологии прогнозирования концентраций загрязняю-

щих веществ на базе ХТМ CHIMERE-2023.

Fig. 1. Scheme of pollutant concentration forecasting technology based

on CHIMERE-2023.

XTM CHIMERE-2023 имеет горизонтальную вычислительную сетку в

декартовой системе координат с заданным пользователем горизонтальным

разрешением и ориентированной относительно координат центрального

узла областью прогноза. Горизонтальное разрешение равно 2 км по обеим

осям, область прогноза захватывает территорию Москвы и небольшие при-

граничные районы. Поскольку применяется нерегулярная по широте и дол-

готе сетка, границы области счета заданы по долготам (36.5° и 38.3° в. д.)

и широтам (54.9° и 56.2° с. ш.), число узлов по осям х и у равно 61 и 75

соответственно, число вертикальных уровней составляет 20, первый уро-

вень модели находится на 998 гПа, а верхняя граница на 300 гПа.

Высокое горизонтальное разрешение и улучшение вертикального раз-

решения, при котором толщина первого слоя модели уменьшена до 2 гПа,

позволяют точнее описывать перенос во всем пограничном слое. На рис. 2а

Ткачева Ю.В., Кузнецова И.Н.

69

показана расчетная область модели с границами административных окру-

гов Москвы и типовая принадлежность входящих в модельные ячейки

АСКЗА, а на рис. 2б ‒ сеточное разрешение баз EMEP, используемых

CHIMERE-2023 (синим) и CHIMERE-2013 (красным).

а)

б)

Рис. 2. Сеточная область прогноза ХТМ CHIMERE-2023 с границами

административных округов г. Москвы и категориями ячеек сетки по

типу входящих в них АСКЗА (обозначены черными точками) (а); сеточ-

ная область базы ЕМЕР, используемой для CHIMERE-2023 (синим) и

для CHIMERE-2013 (красным) (б).

Fig. 2. Grid area of CHIMERE-2023 forecast with boundaries of Moscow

administrative districts and categories of grid cells by the type of AAPMS

(automatic air pollution monitoring stations) included in them (marked with

black dots) (a); grid area of the EMEP database used for CHIMERE-2023

(blue) and for CHIMERE-2013 (red) (б).

70

Гидрометеорологические прогнозы, математическое моделирование

Препроцессинг входных метеорологических данных

Для расчетов CHIMERE-2023 установлен обязательный перечень

входных метеопараметров (табл. 1) и список необязательных параметров

(вертикальная скорость, высота пограничного слоя). При отсутствии по-

следних во входном потоке, они вычисляются в ХТМ по заданному алго-

ритму.

Таблица 1. Входные метеорологические параметры COSMO-Ru2ETR, пере-

даваемые в CHIMERE-2023

Table 1. COSMO-Ru2ETR input meteorological parameters transmitted to

CHIMERE-2023

Название

Единица измерения

2D

Долгота узла сетки

Широта узла сетки

град

Приземная температура

K

Зональная составляющая приземного ветра

Меридиональная составляющая приземного ветра

Приземная удельная влажность

Приземный дефицит точки росы

Крупномасштабные осадки

м·с^-1

0‒1

K

кг·м^-2·ч^-1

Конвективные осадки

кг·м^-2·ч^-1

Коротковолновая радиация у земной поверхности

Длинноволновая радиация у земной поверхности

Приземный явный поток тепла

Приземный скрытый поток тепла

Облачность среднего яруса

Вт·м^-2

-

Облачность нижнего яруса

Облачность верхнего яруса

-

Высота пограничного слоя

м

Высота снега

Водный эквивалент высоты снега

Приземное давление

см

м

Па

3D

Температура

Удельная влажность

Удельная водность

Удельное содержание льда

Удельная масса дождевых капель

Удельная масса снега

K

кг·кг^-1

Па

Давление

Высота половинных уровней

Вертикальная скорость

Зональная составляющая ветра

Меридиональная составляющая ветра

Температура слоев почвы

Влажность слоев почвы

м

м·с^-1

K

м³·м^-3

Ткачева Ю.В., Кузнецова И.Н.

71

В CHIMERE-2023 передаются все перечисленные метеорологические

параметры из модели COSMO-Ru2ETR, при этом предварительно прово-

дится поэтапная обработка данных, включающая приведение в соответ-

ствие единиц измерения входных полей с принятыми в модели CHIMERE-

2023.

Интерполяция данных из сетки COSMO-Ru2ETR на сетку CHIMERE-

2023 осуществляется методом билинейной интерполяции с весовыми

коэффициентами. Поворот векторных полей при смене систем координат

выполняется с помощью стандартной процедуры преобразования систем

координат, которая поставляется вместе с документацией к модели

COSMO-Ru.

Для пересчета температуры и влажности слоев почвы, имеющихся в

COSMO-Ru2ETR, на уровни CHIMERE-2023 (табл. 2) применяется линей-

ная интерполяция.

Таблица 2. Уровни почвы в COSMO-Ru2ETR и принятых в CHIMERE-2023

Table 2. Soil levels in the COSMO-Ru2ETR and the CHIMERE-2023

COSMO-Ru2ETR

CHIMERE-2023

Номера слоев

почвы

Нижние уровни слоев

1

2

3

4

5

6

1

2

7

28

6

100

18

54

162

Интерполяция метеорологических данных, записанных с дискретно-

стью 1 час на каждый временной шаг, между двумя последовательными

часами химической модели производится методом линейной интерполя-

ции. Файл метеорологических данных записывается для горизонтальной

сетки CHIMERE-2023, но с вертикальным разрешением модели COSMO-

Ru2ETR.

Переход на вертикальную сетку модели CHIMERE производится

внутри самой химической модели с применением встроенных процедур ин-

терполяции, поскольку вертикальное разрешение метеорологической

(COSMO-Ru2ETR) и химической моделей разное. При этом необходимое

требование ‒ все трехмерные поля должны быть записаны на половинных

уровнях метеорологической модели. Подробное описание разных конфи-

гураций модели COSMO-Ru дано в [9, 10], здесь можно отметить лишь то,

что в конфигурации модели COSMO-Ru2ETR применена повернутая сфе-

рическая система координат с заданными параметрами шагов сетки, коор-

динат области расчета и координат модельного северного полюса.

72

Гидрометеорологические прогнозы, математическое моделирование

Препроцессинг эмиссий загрязняющих веществ

В качестве входных данных о выбросах используются данные ка-

дастра EMEP за 2021 год, представленные CEIP (Center on Emission Inven-

tories and Projections), географически привязанные к горизонтальной сетке

с разрешением 0,1°×0,1° и классифицированные в соответствии с 15 секто-

рами GNFR (Gridded Nomenclature For Reporting) загрязнителей [8]. На

рис. 2б показана сетка EMEP-2021 и модельная сетка ЕМЕР-2013 с разре-

шением 0,5°×0,5°, используемая для расчетов CHIMERE-2013. Значи-

тельно увеличенное разрешение ЕМЕР-2021 позволяет более точно распре-

делять выбросы по территории московского региона.

Заметим, данные EMEP-2021 рассчитаны по информации о выбросах

загрязняющих веществ в 2019 г., поскольку из-за длительного времени

сбора информации и ее обработки представленные на модельной сетке объ-

емы эмиссий становятся общедоступными с двухгодичным запаздыва-

нием. На сайте ЕМЕР данные с выбросами 2021 г. имеются, но обработан-

ные по информации о выбросах 2020 г. (во время пандемии COVID), в

настоящее время они осознанно не используются для решения задач про-

гнозирования концентраций загрязняющих веществ в крупном мегаполисе

Москва.

Набор данных ЕМЕР-2021 включает выбросы оксида углерода (CO),

оксидов азота (NO_x), аммиака (NH₃), неметановых летучих соеди-

нений (NMVOC), диоксида серы (SO₂) и твердых частиц (PM_2.5и грубых

PMcoarce, равных разности PM₁₀и PM_2.5).

Блок препроцессора emiSURF2023 в XTM CHIMERE-2023 обеспечи-

вает выполнение следующих задач: проецирование годовых эмиссий

из базы EMEP на сетку CHIMERE-2023, преобразование годовых сумм

в почасовые потоки путем применения ежемесячных, еженедельных и по-

часовых профилей, преобразование данных из исходного набора данных в

модельные виды.

Преобразованные эмиссии загрязняющих веществ распределяются по

сезонам, дням недели для заданного месяца с учетом временного, суточ-

ного хода загрязнителей, принятого в ХТМ для Российской Федерации.

Для распределения годовых эмиссий по месяцам и дням недели применя-

ются коэффициенты, различающиеся для городской и пригородной терри-

торий. Для распределения эмиссий в суточном ходе применяются почасо-

вые коэффициенты с учетом дня недели (рис. 3).

Выбросы оксидов азота (NO_x) для всех секторов деятельности, кроме

автомобильного транспорта, распределяются следующим образом: NO

95,0 %, NO₂24,5 %, HONO 0,5 %. Для автомобильного транспорта: NO

90,0 %, NO₂8,2 %, HONO 0,8 %. Выбросы оксидов серы (SO_x) распределя-

ются для всех секторов деятельности в соотношении: 99 % SO₂, 1 % H₂SO₄.

Пользователь может задавать собственную дифференциацию потоков вы-

бросов по секторам деятельности в соответствии с номенклатурой GNFR,

а также включать несколько входных баз данных о выбросах (EMEP,

CAMS и др.).

Ткачева Ю.В., Кузнецова И.Н.

73

Рис. 3. Почасовые коэффициенты распределения эмиссий с учетом

дня недели.

Fig. 3. Hourly emission distribution coefficients taking into account the day

of the week.

В процессе обработки выполняется расчет сдвига во времени для син-

хронизации местного времени необработанных данных с выбросами в уни-

версальном времени (UTC), необходимыми для CHIMERE-2023.

Для пространственного распределения выбросов предлагается исполь-

зовать набор таких данных: плотность населения, дорожная карта, земле-

пользование и выбросы аэрозолей от сжигания древесины в жилом секторе.

Включенные в работу препроцессинга прокси-файлы, поставляемые вме-

сте с CHIMERE-2023, для транспорта, плотности населения, землепользо-

вания, распределения городских территорий и др. определяют схему рас-

пределения выбросов по прогностической области расчета. Но только

карта землепользования является обязательным входом, другие прокси-

файлы используются только для секторов GNFR 3 (для жилых районов) и

6 (для транспортных районов). На рис. 4 представлена карта дорожного

движения прокси-файлов для транспорта, плотности населения и город-

ской застройки для московского региона.

Начальные и граничные условия берутся из климатологических дан-

ных глобальных моделей: LMDz-INCA3 (Laboratoire de Météorologie

Dynamique (zoomed) coupled with INteraction with Chemistry and Aerosols) ‒

для всех газообразных и твердых частиц, кроме минеральной пыли (эти

данные обновляются ежегодно), для минеральной пыли – из базы данных

GOCART5 (GOddard Chemistry Aerosol Radiation and Transport).

Потоки биогенных выбросов рассчитываются с использованием дан-

ных модели MEGAN (Model of Emissions of Gases and Aerosols from Nature)

и базы данных MOD ‒ обработанных спутниковых данных MODIS LAI

(Moderate Resolution Imaging Spectroradiometer, NASA) растительного

74

Гидрометеорологические прогнозы, математическое моделирование

покрова с индексом площади листьев (LAI), определяемой как половина

общей площади зеленых листьев на единицу горизонтальной поверхности

с временным разрешением 8 дней.

б)

а)

в)

Рис. 4. Карта дорожной сети (а), плотности населения (б) и городской

застройки (в) прокси-файлов для московского региона.

Fig. 4. Map of road network (a), population density (б) and urban develop-

ment (в) of proxy files for the Moscow region.

Расчет газообразных веществ в CHIMERE-2023 производится по

схемe MELCHIOR2 с 44 видами и около 120 реакциями. Поглощение воды

нитратами, сульфатами и аммонием в ненасыщенных условиях представ-

лено в модуле ISORROPIA. Скорости фотолиза обновляются каждые 5 ми-

нут вызовом модуля Fast-JX. Благодаря включению этого блока в модель

CHIMERE-2023 появилась возможность учесть радиационное воздействие

аэрозолей на фотохимию, при этом используются данные CHIMERE-2023

для всех видов аэрозолей и тропосферного озона до верхней границы мо-

дели и прогнозы метеорологических переменных (температуры, давления

и облачного покрова).

Ткачева Ю.В., Кузнецова И.Н.

75

Переход на сеточное разрешение CHIMERE-2023 выполняется с уче-

том землепользования из базы USGS (United States Geological Survey) c раз-

решением 30 угловых секунд (0.0083°×0.0083° = ~1×1 км) и 24 категориями

землепользования. Все данные из перечисленных баз поставляются вместе

с моделью CHIMERE-2023, что значительно облегчает запуск модели.

При разработке блока препроцессора входных эмиссий было усовер-

шенствовано управление антропогенными выбросами, связанное с умень-

шением количества файлов, что очень важно для суперкомпьютеров; в

новом формате каждому дню недели соответствует один файл соответству-

ющего месяца и года.

Функционирование технологии

Разработанные модули препроцессинга позволили существенно обно-

вить технологию прогнозирования концентраций загрязняющих веществ

на основе актуализированной ХТМ CHIMERE-2023 с усвоением регио-

нальных данных эмиссий ЕМЕР-2021. Актуализированная технология пол-

ностью автоматизирована на CRAY, позволяет рассчитывать прогностиче-

ские концентрации загрязняющих веществ на территории московского

региона с заблаговременностью 48 часа. После проверки завершения счета

прогнозов метеорологической модели (конфигурация COSMO-Ru2ETR)

запускается препроцессинг химической модели: cчитываются и обрабаты-

ваются метеорологические прогнозы, эмиссии загрязняющих веществ. По

завершению препроцессинга запускается расчет прогностических концен-

траций загрязняющих веществ ХТМ. Полученные результаты визуализи-

руются в виде карт, диаграмм, таблиц для всей области прогноза, а также

для отдельных станций по заданному списку.

Аналогично CAMS, но с большей региональной детализацией, создан-

ная технология позволяет визуализировать поля прогностических концен-

траций по расчетам CHIMERE-2023 на каждый час прогнозируемого пери-

ода. На рис. 5 представлены примеры прогностической продукции в виде

карт. Хорошо выражена пространственная неоднородность концентраций

загрязняющих веществ с различиями в очагах максимумов и окраинами

до 35‒50 мкг·м^-3.

На рис. 6 демонстрируется пример синхронизированного прогноза в

пункте на двое суток вперед метеорологических характеристик и концен-

траций загрязняющих веществ. Видно, что пространственно-временная ди-

намика загрязнений в целом согласована с изменчивостью метеорологиче-

ских условий – с термической стратификацией и высотой атмосферного

пограничного слоя, скоростью переноса и влажностью. Совместный анализ

метеорологических условий и модельного воспроизведения загрязнения

имеет особое значение для выявления причин недостаточно успешного

прогноза отдельных загрязняющих веществ.

76

Гидрометеорологические прогнозы, математическое моделирование

Рис. 5. Прогностические поля концентраций (мкг·м^-3) O₃(слева) и NO₂

(справа) по расчетам ХТМ CHIMERE-2023 на 9 ч ВСВ (верхний ряд) и

21 ч ВСВ 3 сентября 2024 г. (нижний ряд).

Fig. 5. Forecast fields of concentrations (μg·m-3) of O₃(left) and NO₂(right)

based on CHIMERE-2023 calculations for 9:00 a.m. on September 3 (top)

and for 9:00 p.m. on September 3, 2024 (bottom row).

Верификация прогнозов загрязняющих веществ

Одним из важнейших блоков актуализированной технологии является

верификация модельных прогнозов. Запуск обновленной технологии

сопровождался проверкой результатов прогнозирования концентраций за-

грязняющих веществ на ограниченных выборках в мае, июле и сентябре

2024 года, которые использовались для серии численных экспериментов по

анализу чувствительности откликов модели CHIMERE-2023 к изменениям

некоторых входных данных. Принималось во внимание, что исследования

зарубежных авторов [12, 13] показали большую изменчивость концентра-

ции в сценариях сокращения выбросов, например, изменчивость озона при

сокращении выбросов достигает 10 %, а в озоновых эпизодах ‒ 100 % или

выше. Зарубежными авторами установлено, что комбинированное сокра-

щение выбросов обычно более эффективно, чем сумма сокращений выбро-

сов отдельных предшественников как для O₃, так и для PM, кроме того, для

озона отклики моделей с точки зрения линейности и аддитивности пока-

зали явное влияние нелинейных химических процессов.

Часть проведенных нами экспериментов была посвящена изучению

отклика модельных расчетов на вариации объемов эмиссий загрязнителей.

Ткачева Ю.В., Кузнецова И.Н.

77

а)

б)

Рис. 6. Временная динамика температуры (ºС), направления и скорости ветра

(м·с^-1) в нижнем 500-метровом слое, давления (гПа), высоты АПС с градиен-

том температуры в слое 2‒250 м по расчетам COSMO-Ru2ETR (а); концен-

траций (мкг·м^-3) O₃, NO₂, NО, CO и PM₁₀(сверху вниз) по расчетам CHIMERE-

2023 (б). Прогноз на 3-4 сентября 2024 г.

Fig. 6. Temporal dynamics of temperature (ºС), wind direction and speed (m·s^-1) in

the lower 500-meter layer, pressure (hPa), ABL (atmospheric boundary layer)

height with a temperature gradient in the 2‒250 m layer based on COSMO-

Ru2ETR calculations (a); concentrations (μg·m^-3) of O₃, NO₂, NO, CO and PM10

(from top to bottom) according to CHIMERE-2023 calculations (б). Forecast for

September 3-4, 2024.

Оказалось, что при интенсивных атмосферных процессах модельные

расчеты с увеличенными эмиссиями мало отличаются от базовых (ориги-

нальных) прогнозов. Но при НМУ экспериментальное увеличение выбро-

сов только на 10 % в транспортном секторе (эксперимент 1) и во всех сек-

торах экономики (эксперимент 2) привело к увеличению концентраций

загрязнений по сравнению с базовыми расчетами. В частном примере при

НМУ 6‒8 сентября 2024 г. концентрации NO₂повысились в ночные часы

на 10‒15 мкг·м^-3, днем ‒ более существенно, на 40‒70 мкг·м^-3. Наибольший

эффект роста NO₂зафиксирован при одновременном увеличении эмиссий

на 10 % всех отраслевых источников (рис. 7). Заметим, что при НМУ до-

бавка выбросов (10 %) дает увеличение средней суточной концентрации

NO₂на 40‒70 %. Этот результат указывает на возможный инструмент вли-

яния на модельные расчеты концентраций путем регулирования количе-

ства эмиссий.

78

Гидрометеорологические прогнозы, математическое моделирование

Рис. 7. Измеренные и модельные концентрации NO₂ХТМ CHIMERE-2023: ба-

зовые, при увеличении эмиссий на 10 % транспортными источниками (экспе-

римент 1) и всеми антропогенными источниками (эксперимент 2). Розовая за-

ливка – завышение модельных базовых концентраций, голубая – занижение

модельных концентраций по базовой конфигурации. Эпизод НМУ 6‒8 сен-

тября 2024 г., Москва.

Fig. 7. Measured and model concentrations of NO₂CHIMERE-2023: baseline, with

a 10% increase in emissions from transport sources (experiment 1) and all anthro-

pogenic sources (experiment 2). Pink fill – overestimation of model baseline con-

centrations, blue – underestimation of model concentrations according to the base-

line configuration. AMC (adverse meteorological conditions) episode of September

6-8, 2024, Moscow.

Другим инструментом влияния на качество моделирования является

коррекция внутрисуточного распределения эмиссий. В ХТМ CHIMERE-

2023 используется показанное на рис. 8а почасовое распределение эмиссий

с помощью коэффициента распределения (К_сх). Суточный ход К_схв ХТМ

CHIMERE хорошо согласуется с одномодальным суточным ходом модель-

ных концентраций загрязнений при отсутствии выраженных максимумов

утром и вечером, характерных для наблюдаемого загрязнения в мегапо-

лисе. Результаты пяти вариантов коррекции базового распределения К_сх

(рис. 8а) иллюстрируются на рис. 8б на примере расчетов концентраций

NO₂для одной АСКЗА городского типа.

Коррекция К_сх(1) и К_сх(2) проводилась только для транспортных ис-

точников (эксперименты 3, 4). В эксперименте 5 К_сх(2) применен для эмис-

сий всех источников. Установлено, что во всех трех экспериментах средняя

суточная концентрация NO₂немного уменьшилась, а в суточном ходе по-

явились выраженные утренний и вечерний максимумы (рис. 8б). При этом

в утренние часы концентрации по сравнению с базовыми понизились на

15‒30 мкг·м^-3, а в вечерние часы увеличились на 30‒50 мкг·м^-3. Примене-

ние коррекции К_сх(2) ко всем источникам выбросов (эксперимент 5) при-

вело к еще большему завышению вечернего максимума и резкому заниже-

нию NO₂в околополуденное время.

Ткачева Ю.В., Кузнецова И.Н.

79

а)

б)

в)

Рис. 8. Почасовые коэффициенты распределения эмиссий загрязняющих ве-

ществ: базовые (ХТМ CHIM) и экспериментальные К_сх(а); измеренные и мо-

дельные концентрации NO₂по расчетам ХТМ CHIMERE-2023 с применением

коррекции К_сх(б, в).

Fig. 8. Hourly distribution coefficients of pollutant emissions: baseline (CHIM) and

experimental K_сx(a); measured and model NO₂concentrations according to CHI-

MERE-2023 CHIM calculations using K_сxcorrection (б, в).

80

Гидрометеорологические прогнозы, математическое моделирование

Таким образом, преобразованные К_сх(1) и К_сх(2) влияют на изменение

формы суточного хода модельных расчетов, но по сравнению с измерени-

ями приводят к заниженным утренним и завышенным вечерним концен-

трациям NO_2,

Для усиления утреннего максимума, ослабления вечернего максимума

и смещения его на более позднее время выполнены расчеты с применением

К_сх(3‒5). Оказалось, что наилучшее согласие с измеренными концентраци-

ями дает применение К_сх(3) и К_сх(5), а К_сх(4) обеспечивает сильное умень-

шение послеполуденных концентраций, что видно по динамике концентра-

ций NO₂на рис. 8в.

Полученный в серии экспериментальных расчетов наибольший поло-

жительный эффект в период НМУ зафиксирован при замене базовых К_схна

скорректированные коэффициенты внутрисуточного распределения эмис-

сий К_сх(5): модельная средняя за сутки концентрация NO₂совпала с изме-

ренной величиной, форма суточного хода NO₂оказаласьблизкой к наблю-

даемому ходу при небольшом завышении утреннего максимума и

занижении вечернего. Безусловно, для применения результатов на прак-

тике необходимо на репрезентативном ряде в широком диапазоне метеоро-

логических условий провести сравнительные оценки других загрязняющих

веществ (СО, РМ₁₀), обсуждение которых в условиях ограничений объема

статьи здесь не предлагается.

За месячный период 1‒30 сентября 2024 г. были выполнены модель-

ные расчеты концентраций загрязняющих веществ по регионально адапти-

рованной конфигурации CHIMERE-2023 (Chim-Р) с увеличением на 10 %

эмиссий оксидов азота и с измененным суточным распределением эмиссий

и в базовой конфигурации CHIMERE-2023 (Chim). Оценивались прогнозы

O₃, NO₂и PM₁₀на первые и вторые сутки с использованием измерений кон-

центраций загрязняющих веществ на АСКЗА Москвы.

Ориентируясь на гигиенический норматив – максимальную за сутки

концентрацию О₃, оценивались прогнозы суточного максимума О₃(О_3мах

)

для станций жилого типа. Оказалось, что при средней за месяц О_3махпо

наблюдениям на АСКЗА 35‒43 мкг·м^-3систематическая ошибка прогнозов

О

_3махсоставила -5 и -7 мкг·м^-3(на первые и вторые сутки соответственно).

Незначительно отличаются и другие характеристики прогнозов на первые

и вторые сутки: средняя абсолютная ошибка на отдельных АСКЗА нахо-

дится в диапазоне 16‒25 мкг·м^-3, среднеквадратическая ошибка (RMSE)

немного больше 19‒33 мкг·м^-3. Следует отметить, что из-за аномально теп-

лой и сухой погоды в Москве наблюдавшиеся уровни О_3махв сентябре

2024 г. были выше многолетних величин на 15‒18 % [4] с соответствую-

щими увеличенными межсуточными колебаниями приземного озона.

При интерпретации результатов экспериментального тестирования

твердых взвешенных частиц РМ₁₀также необходимо принимать во внима-

ние, что из-за преобладающего в течение месяца поступления в Москву

насыщенных пылевыми частицами воздушных масс уровень РМ₁₀

Ткачева Ю.В., Кузнецова И.Н.

81

по наблюдениям на АСКЗА оказался в 1,4–1,8 раз выше многолетних зна-

чений [5]: на АСКЗА городского типа средняя за месяц концентрация РМ₁₀

оказалась в диапазоне 30‒46 мкг·м^-3. Адвекция РМ₁₀осуществлялась из

охваченных засухой приволжских и южных районов ЕТР, а в конце

сентября зафиксирован эпизод повышения РМ₁₀из-за дальнего переноса

частиц из районов пыльных бурь Прикаспия и Нижней Волги. Заметим, что

средняя месячная величина РМ₁₀на АСКЗА городского типа в предшеству-

ющем августе 2024 г. составила 25 мкг·м^-3, такой же является осредненная

за 15 лет (2005‒2020 гг.) концентрация РМ₁₀в сентябре ‒ около 25 мкг·м^-3

[5]. Таким образом, можно говорить, что в сентябре 2024 г. вклад адвектив-

ного аэрозоля в загрязнение РМ₁₀воздуха в Москве сравним с величиной

фона, который и воспроизводился CHIMERE-2023. При этом результаты

счета Chim-Р и на первые, и на вторые сутки оказались ближе к измере-

ниям, чем расчеты Chim, но указывали на значительную недооценку моде-

лью концентраций РМ₁₀даже с учетом погрешности измерений (15‒20 %).

И необходимо подчеркнуть, что эффективность выполненной коррекции

возрастала в периоды НМУ, когда фиксировался наибольший рост концен-

траций РМ₁₀.

Похожий результат получен и при проверке расчетов средней суточ-

ной концентрации NO₂в конфигурациях Chim и Chim-Р, принимая во

внимание, что в сентябре 2024 г. средняя за месяц концентрация NO₂на

станциях городского типа была примерно в 1,5 раза больше средней мно-

голетней величины, примерно равной 30 мкг·м^-3[5]. ХТМ CHIMERE-2023

значительно занижала в прогнозах концентрацию NO₂, что следует расце-

нивать не только как неспособность ХТМ отражать аномальный уровень

загрязнения, но и как необходимость последовательной региональной кор-

рекции эмиссий NO_х.

В заключение следует признать, что несмотря на аномальность пери-

ода месячной проверки (сентябрь 2024 г.) экспериментальное тестирование

обновленной ХТМ позволило обозначить ключевые направления последу-

ющей региональной адаптации CHIMERE-2023 с применением отлажен-

ных механизмов регулирования сезонных и внутрисуточных эмиссий за-

грязняющих веществ в различных отраслевых секторах.

Заключение

На вычислительной платформе CRAY Росгидромета актуализирована

одна из последних версий химической транспортной модели CHIMERE-

2023 с обновленным интерфейсом. С учетом того, что ХТМ CHIMERE-

2023 разрабатывалась и настраивалась в первую очередь для использова-

ния в странах Евросоюза, установка обновленной версии сопровождалась

серией численных экспериментов по оптимизации расчетов для москов-

ского региона, региональным подбором параметров сезонного и суточного

распределения эмиссий используемого кадастра ЕМЕР-2021. Результаты

экспериментального тестирования обновленной технологии указывают

82

Гидрометеорологические прогнозы, математическое моделирование

в целом на удовлетворительное качество прогнозирования приоритетных

загрязняющих веществ и указывают на целесообразность исследований и

работ по региональной адаптации технологии прогнозирования с соответ-

ствующей проверкой на репрезентативных рядах моделирования и наблю-

дений в разные сезоны.

Список литературы

1. Борисов Д.В., Кузнецова И.Н. Интегрирование химической транспортной модели и

искусственной нейронной сети для прогноза концентрации PM₁₀// Гидрометеорологиче-

ские исследования и прогнозы. 2024. № 3 (393). С. 42-63. DOI: https://doi.org/10.37162/2618-

9631-2024-3-41-62.

2. Борисов Д.В., Кузнецова И.Н. Постпроцессинг численных прогнозов концентраций

приземного озона с использованием машинного обучения // Гидрометеорологические ис-

следования и прогнозы. 2023. № 4 (390). С. 86-104. DOI: https://doi.org/10.37162/2618-9631-

2023-4-86-104.

3. Вильфанд Р.М., Кирсанов А.А., Ревокатова А.П., Ривин Г.С., Суркова Г.В. Прогноз

перемещения и трансформации загрязняющих веществ в атмосфере с помощью модели

COSMO-ART // Метеорология

и

гидрология. 2017.

№

5. С. 31-40. DOI:

10.3103/S1068373917090047.

4. Иванова Н.С., Кузнецова И.Н., Лезина Е.А. Содержание озона над территорией Рос-

сийской Федерации в 2024 г. // Метеорология и гидрология. 2025. № 3. С. 136-141. DOI:

10.52002/0130-2906-2025-1-136-141.

5. Еланский Н.Ф., Шилкин А.В., Пономарев Н.А., Захарова П.В., Качко М.Д., Поляков

Т.И. Пространственно-временные вариации содержания загрязняющих примесей в воздуш-

ном бассейне Москвы и их эмиссии // Известия РАН. ФАО. 2022. Т. 58, № 1. С. 92-108. DOI:

10.31857/s0002351522010023

6. Кузнецова И.Н., Нахаев М.И., Кирсанов А.А., Борисов Д.В., Ткачева Ю.В., Ривин Г.С.,

Лезина Е.А. Тестирование и перспективы технологии прогнозирования загрязнения воздуха

с применением химических транспортных моделей CHIMERE и COSMO-Ru2ART // Гидро-

метеорологические исследования и прогнозы. 2022. № 4 (386). С. 147-170. DOI:

https://doi.org/10.37162/2618-9631-2022-4-147-170.

7. Кузнецова И.Н., Шалыгина И.Ю., Нахаев М.И., Ткачева Ю.В., Ривин Г.С., Кирсанов

А.А., Борисов Д.В., Лезина Е.А. Система прогнозирования качества воздуха на основе хими-

ческих транспортных моделей // Гидрометеорологические исследования и прогнозы. 2019.

№ 4 (374). С. 203-218. DOI: https://doi.org/10.37162/2618-9631-2019-4-203-218.

8. Официальный сайт CEIP (Centre on Emission Inventories and Projections, Центр ка-

дастров и прогнозов выбросов). Режим доступа: URL: https://www.ceip.at/the-emep-grid/grid-

ded-emissions.

9. Ривин Г.С., Розинкина И.А., Вильфанд Р.М., Киктев Д.Б., Тудрий К.О., Блинов Д.В.,

Варенцов М.И., Захарченко Д.И., Самсонов Т.Е., Репина И.А., Артамонов А.Ю. Разработка

оперативной системы численного прогноза погоды и метеоусловий опасных явлений с вы-

сокой детализацией для Московского региона // Метеорология и гидрология. 2020. № 7.

С. 5-19.

10. Розинкина И.А., Ривин Г.С., Багров А.Н., Блинов Д.В. и др. Конфигурация COSMO -

Ru2By модели COSMO: успешность и методология оценки численных прогнозов и γ -мезо-

масштабных атмосферных процессов // Гидрометеорологические исследования и прогнозы.

2023. № 2 (388). С . 6-34. DOI: https://doi.org/10.37162/2618-9631-2023-2-6-34

11. Chubarova N.E., Androsova E.E., Kirsanov A.A., Varentsov M.I., Rivin G.S. Urban aer-

osol, its radiative and temperature response in comparison with urban canopy effects in megacity

based on COSMO-ART modeling // Urban Climate. 2024. Vol. 53. С. 101762. DOI:

10.1016/j.uclim.2023.101762.

Ткачева Ю.В., Кузнецова И.Н.

83

12. Bessagnet B., Bossiol E., Cholakian A., Vivanco M.G. et. al. Impact of air quality model

settings for the evaluation of emission reduction strategies to curb air pollution // Environ. Res.

2024. Vol. 255. P. 119112. DOI: 10.1016/j.envres.2024.119112.

13. Bessagnet B., Cuvelier K., de Meij A., MonteiroA. et. al. Assessment of the sensitivity of

model responses to urban emission changes in support of emission reduction strategies // Air Qual-

ity, Atmosphere and Health. 2024. Vol. 17, is. 4. P. 681-706.

14. Lee P., Tong D. et. al. World Meteorological Organization, Training Materials and Best

Practices for Chemical Weather /Air Quality Forecasting (ETR-26). Geneva: WMO, 2020. 1152 p.

https://library.wmo.int/doc_num.php?explnum_id=10439 .

15. Mailler S., Pennel R., Menut L., Lachatre M. Using an antidiffusive transport scheme in

the vertical direction: a promising novelty for chemistry-transport models // Geosci. Model Dev.

2021. Vol. 14. P. 2221-2233. DOI: https://doi.org/10.5194/gmd-14-2221-2021.

16. Menut L., Bessagnet. B., Khvorostyanov D., Beekmann M. et. al. CHIMERE 2013: A

model for regional atmospheric composition modelling // Geosci. Model Dev.2013. Vol. 6, is.4.

P. 981-1028.

17 Menut L., Cholakian, A., Pennel R., Siour G. et. al. The CHIMERE chemistry-transport

model v2023r1 // Geosci. Model Dev. 2024. Vol. 17. P. 5431-5457. DOI:

https://doi.org/10.5194/gmd-17-5431-2024.

18. Menut L., Goussebaile A., Bessagnet B., Khvorostiyanov D. et. al. Impact of realistic

hourly emissions profiles on air pollutants concentrations modelled with CHIMERE // Atmos-

pheric Environment. 2012. Vol. 49. P. 233-244.

19. Valari M., Menut L. Transferring the heterogeneity of surface emissions to variability in

pollutant concentrations over urban areas through a chemistry-transport model // Atmospheric En-

vironment. 2010. Vol. 44, is. 27. P. 3229-3238. https://doi.org/10.1016/j.atmosenv.2010.06.001.

References

1. Borisov D.V., Kuznetsova I.N. Integration of a chemical transport model and an artificial

neural network for PM10 concentration forecasting. Gidrometeorologicheskie issledovaniya i

prognozy [Hydrometeorological Research and Forecasting], 2024, vol. 393, no. 3, pp. 42-63. DOI:

10.37162/2618-9631-2024-3-41-62 [in Russ.].

2. Borisov D.V., Kuznetsova I.N. Post-processing of ground-level ozone numerical forecasts

using machine learning. Gidrometeorologicheskie issledovaniya i prognozy [Hydrometeorological

Research and Forecasting], 2023, vol. 390, no. 4, pp. 86-104. DOI: 10.37162/2618-9631-2023-4-

86-104 [in Russ.].

3. Vil’fand, R.M., Kirsanov, A.A., Revokatova, A.P., Rivin G.S., Surkova G.V. Forecasting

the transport and transformation of atmospheric pollutants with the COSMO-ART model. Russ.

Meteorol. Hydrol., 2017, vol. 42, no. 5, pp. 292-298. DOI: 10.3103/S106837391705003X.

4. Ivanova N.S., Kuznecova I.N., Lezina E.A. Soderzhanie ozona nad territoriey Rossiyskoy

Federacii v 2024 g. Meteorologiya i Gidrologiya [Russ. Meteorol. Hydrol.], 2025, no. 3, pp. 136-

141. DOI: 10.52002/0130-2906-2025-1-136-141 [in Russ.].

5. Elansky N.F., Shilkin A.V., Ponomarev N.A., Zakharova P.V., Kachko M.D., Poliakov T.I.

Spatiotemporal Variations in the Content of Pollutants in the Moscow Air Basin and Their Emis-

sions. Izv. Atmos. Ocean. Phys., 2022, vol. 58, pp. 80-94. DOI: 10.1134/S00014338220100296.

6. Kuznetsova I.N., Nakhaev M.I., Kirsanov A.A., Borisov D.V., Tkacheva Yu.V., Rivin G.S.,

Lezina E.A. Testing and prospects of air pollution prediction technology based on CHIMERE and

COSMO-Ru2ART chemical transport models. Gidrometeorologicheskie issledovaniya i prognozy

[Hydrometeorological Research and Forecasting], 2022, vol. 386, no. 4, pp. 147-170. DOI:

10.37162/2618-9631-2022-4-147-170 [in Russ.].

7. Kusnetsova I.N., Shalygina I.U., Nahaev M.I., Tkacheva U.V., Rivin G.S., Kirsanov A.A.,

Borisov D.V., Lezina E.A. Air quality forecasting system based on chemical transport models.

Gidrometeorologicheskie issledovaniya i prognozy [Hydrometeorological Research and Forecast-

ing], 2019, vol. 374, no. 4, pp. 203-218. DOI: 10.37162/2618-9631-2019-4-203-218 [in Russ.].

84

Гидрометеорологические прогнозы, математическое моделирование

8. CEIP (Centre on Emission Inventories and Projections). Available at:

https://www.ceip.at/the-emep-grid/gridded-emissions.

9. Rivin G.S., Rozinkina I.A., Vil’fand R.M., Varentsov M.I., Zakharchenko D.I., Samsonov

T.E., Repina I.A. Development of the High-resolution Operational System for Numerical Predic-

tion of Weather and Severe Weather Events for the Moscow Region. Russ. Meteorol. Hydrol.,

2020, vol. 45, no. 7, pp. 455-465. DOI: 10.3103/S1068373920070018.

10. Rozinkina I.A., Rivin G.S., Bagrov A.N., Blinov D.V., Bykov F.L., Vaskova D.V.,

Zakharchenko D.I., Bundel A.Yu., Vorobyeva E.V., Kirsanov A.A., Polyukhov A.A., Shatunova

M.V., Shuvalova Yu.О., Eliseev G.V. The COSMO-Ru2By configuration of the COSMO model:

skill and methodology for estimating of the forecasts of B- and y-mesoscale processes. Gidrome-

teorologicheskie issledovaniya i prognozy [Hydrometeorological Research and Forecasting],

2023, vol. 388, no. 2, pp. 6-34. DOI: 10.37162/2618-9631-2023-2-6-34 [in Russ.].

11. Chubarova N.E., Androsova E.E., Kirsanov A.A., Varentsov M.I., Rivin G.S. Urban aer-

osol, its radiative and temperature response in comparison with urban canopy effects in megacity

based on COSMO-ART modeling. Urban Climate, 2024, vol. 53, pp. 101762. DOI:

10.1016/j.uclim.2023.101762.

12. Bessagnet B., Bossiol E., Cholakian A., Vivanco M.G. et. al. Impact of air quality model

settings for the evaluation of emission reduction strategies to curb air pollution. Environ. Res.,

2024, vol. 255, pp. 119112. DOI: 10.1016/j.envres.2024.119112.

13. Bessagnet B., Cuvelier K., de Meij A., MonteiroA. et. al. Assessment of the sensitivity of

model responses to urban emission changes in support of emission reduction strategies. Air Qual-

ity, Atmosphere and Health, 2024, vol. 17, no. 4, pp. 681-706.

14. Lee P., Tong D. et. al. World Meteorological Organization, Training Materials and Best

Practices for Chemical Weather /Air Quality Forecasting (ETR-26). Geneva: WMO, 2020, 1152 p.

Available at: https://library.wmo.int/doc_num.php?explnum_id=10439.

15. Mailler S., Pennel R., Menut L., Lachatre M. Using an antidiffusive transport scheme in

the vertical direction: a promising novelty for chemistry-transport models. Geosci. Model Dev.,

2021, vol. 14, pp. 2221-2233. DOI: 10.5194/gmd-14-2221-2021.

16. Menut L., Bessagnet. B., Khvorostyanov D., Beekmann M. et. al. CHIMERE 2013: A

model for regional atmospheric composition modeling. Geosci. Model Dev., 2013, vol. 6, no. 4,

pp. 981-1028.

17. Menut L., Cholakian, A., Pennel R., Siour G. et. al. The CHIMERE chemistry-transport

model v2023r1. Geosci. Model Dev., 2024, vol. 17, pp. 5431-5457. DOI: doi.org/10.5194/gmd-

17-5431-2024

18. Menut L., Goussebaile A., Bessagnet B., Khvorostiyanov D. et. al. Impact of realistic

hourly emissions profiles on air pollutants concentrations modelled with CHIMERE. Atmospheric

Environment, 2012, vol. 49, pp. 233-244.

19. Valari M., Menut L. Transferring the heterogeneity of surface emissions to variability in

pollutant concentrations over urban areas through a chemistry-transport model. Atmospheric En-

vironment, 2010, vol. 44, no. 27, pp. 3229-3238. DOI: 10.1016/j.atmosenv.2010.06.001.

Поступила 20.02.2025; одобрена после рецензирования 04.06.2025;

принята в печать 18.06.2025.

Submitted 20.02.2025; approved after reviewing 04.06.2025;

accepted for publication 18.06.2025.

.