大気質予測方法

はじめに

大気汚染は、周囲の空気が有害なガス、粉塵、煙、臭気を十分な量含んでいる場合に発生する。つまり、人間や動物の健康を害したり、植物や物質に損傷を与えたりする量である。

汚染は多くの場合 大気質指標（AQI） として測定されることが多く、多くの政府機関が地域の大気汚染の程度を伝えるために使用している。AQIが高くなるにつれ、健康への悪影響が出やすい人口の割合も高くなる。

大気汚染に対する人々の意識は急速に高まっており、正確な大気質予測に対する需要も高まっている（Saadi et al.）

しかし、大気汚染の予測は天候と同様、困難である。考慮すべき変数が膨大にあり、中には以下のような「予測不可能」なものもある。 政府の介入 や自然災害など、どちらかといえば「予測不可能」な変数もあり、これらはいずれもAQIに多大な影響を与える可能性がある（Dye, 2003）。

それにもかかわらず、正確な大気質予測は、社会的・経済的に大きな利益をもたらす重要なツールになりつつある。予測によって、人々は不健康なレベルの大気汚染物質への曝露を回避または制限するための予防措置を講じることができる（Dye, 2003）。政府はまた、早期予測を活用して、地域の汚染レベルの深刻さを軽減するための手順を早期に確立することができる（Saadi et al.2005）。

汚染レベルに影響を与える要因

大気汚染は、地域の気象条件や近隣の排出ガスと強い相関関係を示しているが、長距離の汚染物質の輸送も、地域のAQI測定値に大きな影響を与える要因であることが、次第によく知られるようになってきている（NARSTO, 2003）。そのため、大気質の予測には、気象予報の難しさだけでなく、汚染物質の移動と変質の可能性を考慮した、周辺および遠方からの汚染物質濃度と排出量に関する知識も必要となる（Saadi et al.）

AQI予測に影響を与えうるさまざまな要因を見ていくと、予測は主観的なものでも客観的なものでもありうることが理解できる。最も正確な予測を確実にするためには、データベースを増やす必要がある。精度を向上させるために、予測プログラムでは継続的なリアルタイムのデータも利用する。このデータは、予測手法の開発、現在の状況の監視、予測性能の評価、それに伴う予測の修正に利用される（Ballagas et al.）

大気質予測技術

気象学的予測

気象予報（天気予報）は、以下に説明するすべての手法の基礎となるものである。正確な大気質予測への第一段階は、優れた天気予報を得ること、あるいは作成することである。天気予報は、科学と技術の両方を駆使して予測を行う。一般的なルールとして、予測に使用される手法の組み合わせが多いほど、予測の精度は高くなる。

予測は主観的かつ客観的な技術であり、単純なものから複雑なものまで、多種多様な技術が含まれている。予測は一般的に1日から3日の範囲で行われ、一般的に予測期間が長ければ長いほど精度は落ちる。簡単にするため、方法は主に以下の3つに分類される（U.S. EPA, 1999）：

1. 気候学：

   気候学：気候学は、過去が将来の比較的良い指標であるという仮定に基づいている。この方法は、特定の気象条件と汚染レベルとの関係に基づいているため、非常に一面的である。この方法はしばしば気象パターンを含むように拡張され、気象パターンと汚染パターンを一致させる。

   予測手法としての気候学は、他の予測手法を補完するためのツールとみなされることが多い。これは主に、排出パターンの急激な変化を予測するのが難しい、現実的なトレンドを確立するためには大量のデータを必要とする、といった手法の限界によるものである。

2. 統計的手法：

   大気質と特定の気象パラメータとの関連は、さまざまな統計手法を用いて定量化することができる。最もよく使われる3つの方法は以下の通りである：

   1. 分類と回帰の木（CART） - この統計手法は、データを非類似のグループに分類するために考案された。専用のソフトウェアを使用し、環境汚染レベルと強い相関がある変数（気象または大気質）を特定する。このデータは、予測変数（気象条件）と汚染物質濃度との相関度に基づいて濃度を予測する決定木を作成するために使用される。
   2. 回帰分析 - 回帰分析では、変数間の関係を推定する。過去のデータセットを分析することで、汚染レベルと気象データ変数との関連性を判断することができる。その結果、将来の汚染レベルを予測するための多変量線形回帰式が得られる。
   3. 人工ニューラルネットワーク - 過去のデータはより複雑な方法で分析することができる。人工ニューラルネットワークは、適応学習とパターン認識技術を応用して、過去のデータと大気要因の関連性を計算する。この方法は、パターン認識という点で人間の脳をシミュレートするように設計されたコンピュータベースのアルゴリズムを使用する。複雑な非線形データを利用し、データの「予測不可能な」傾向を特定する。多次元的なアプローチであるため、汚染予測に最も適した手法であると言える。
      
      上記の統計的手法の欠点は、大気質に影響を与えるプロセスが安定していると仮定していることである。したがって、排出量や気候に劇的な変化（短期・長期を問わず）があれば、これらの手法の精度は著しく低下する。しかし、こうした欠点を考慮しようとする、より複雑な手法がある。
      
      
3. 三次元（3D）モデル

   これは大気質の予測に対する決定論的アプローチであり、周囲の汚染レベルに影響を与える重要なプロセスをすべて数学的に表現しようとする3次元モデルを作成する。このモデルは、モデルのハブ内にあるいくつかのサブモデルを利用することで、大気汚染の排出、輸送、変化をシミュレートする。サブモデルの例

   1. 排出モデル - これらのモデルは、自然発生源と人為発生源の両方から排出される汚染物質の空間分布と時間依存性の排出をシミュレートします。
   2. 気象モデル - これらのモデルは、汚染物質の輸送、沈着、混合、化学反応、排出を決定するすべての気象条件を予測します。このモデルは、3次元気象モデルと事前に収集した排出データを利用した軌跡モデルを作成することにより、環境汚染レベルを予測します。
   3. 化学モデル - 化学モデルは、一次汚染（排出された汚染）が二次汚染に変化する過程を、その組成や形態も含めて検討します。基本的な化学法則、分光学的特性（紫外線）、熱力学的関係を用いて、モデルは汚染物質の最終的な組成と形態を決定する。

三次元モデルの分類は、汚染濃度の分布をシミュレートするために使用される方法に基づいている。ラグランジュ型とオイラー型に分類される：

1. ラグランジュモデル は、気象学的なフィールドデータを利用して、汚染物質の輸送と拡散を個々のエアポケットとして経時的に表示する。その結果、計算効率の高いネットワークができる。しかし、この方法の問題点のひとつは、大気汚染はしばしば非線形化学を含むため、多数の個々の発生源の相互作用を特徴づけるのが難しいということである。
2. オイラーモデル オイラー型モデルは、縦方向にも横方向にも固定格子を使用する。セル間の汚染物質の交換を含め、すべての化学方程式がグリッド内で同時に解かれる。条件や要件に応じて、さまざまなグリッドが使用される。一般に、農村部（均質な地域）ではコースグリッドが使用され、都市部（不均質な地域）ではより細かいグリッドが使用される。これらのモデルは、いくつかの汚染物質の3次元濃度場を作成することができるが、かなりの計算能力と専門知識を必要とする。

精度

可能な限り正確な予測を行うためには、大気質予測システムに互換性のある構成要素が含まれるようにする必要がある。これには、予測値／技術や、大気状態のリアルタイム測定が可能な観測ネットワークが含まれる。これらの測定値は、モデルを作成し、予測の質を評価するために使用される。

結論

大気質予測は、天気予報と同様、予測であり、本質的に不正確である。予測は正確であることが多いが、大気汚染の予測不可能な性質により、時にはばらつきが生じることもある。特に予測不可能な出来事には、自然災害と排出量の急激な変化（政府による大気浄化のような特定の出来事により、工場が排出量を減らす）がある。

予測技術は急速に向上しており、今後もその精度は高まるだろう。政府と国民は、自分たちの健康と安全を監視するためだけでなく、政府が大気汚染を削減しようと適応的管理技術を適用するためにも、大気質予測の必要性を理解している。大気汚染に対する国民の意識を高めることは重要であり、AQI予測は情報を提供することで意識を高める方法である。