AMAGAL - För bättre kartläggning av aerosoler

Projektet AMALGAL handlar om observationer av aerosoler med hjälp av fjärranalystekniken lidar. Genom att kombinera lidarmätningar och modellberäkningar på bästa möjliga sätt ska kartläggningen av aerosoler i atmosfären förbättras.

Aerosoler - små svävande partiklar i luften - är av stort intresse i samband med luftkvalitets- och klimatrelaterade frågeställningar. Med hjälp av fjärranalystekniken lidar ("LIght Detection And Ranging") kan aerosoler i atmosfären kartläggas genom analys av strålningsmätningar. SMHIs del i projektet AMAGAL syftar till att förbättra kartläggningen av aerosoler genom att kombinera mätdata och modellberäkningar på bästa möjliga sätt. Tekniken kallas dataassimilation.

Modellberäkningar och mätningar

Spridning, kemisk omvandling samt deposition av partiklar kan beräknas med SMHIs spridningsmodell MATCH, men beräkningarna har en viss osäkerhet, till exempel på grund av att utsläppsmängden av partiklar sällan är helt välkänd. Mätningar av partiklar, å andra sidan, är ofta glest fördelade i tid och rum och strålningsmätningar av aerosoler är dessutom bara indirekt relaterade till halter och kemisk sammansättning av aerosoler. Fördelen med lidarmätningar är dock att man får information om aerosolernas vertikala fördelning.

Således har mätningar och modellberäkningar av aerosoler både fördelar och nackdelar. Genom dataassimilering kan mätningar och beräkningar kombineras på bästa möjliga sätt för att förbättra beskrivningen av aerosoler i atmosfären.

Projektet AMAGAL står för algoritmer och modeller för autonoma markbundna aerosol lidarsystem och är finansierat av VINNOVA. SMHI har deltagit i projektet i samarbete med Totalförsvarets forskningsinstitut (FOI) i Linköping.

Nyttan med dataassimilering

Dataassimilering kan användas för att förbättra modellresultat, för att interpolera mätningar som är glest fördelade i rum eller tid och för att lösa det inversa problemet av att invertera indirekta fjärranalysobservationer.
 
Den grundläggande idén är att optimalt kombinera observationer och modellresultat genom att använda ytterligare information om mätningarnas och modellens felvarians och felkovarians. Assimileringsresultatet representerar systemets mest sannolika tillstånd.

Dataassimilering i MATCH
Till vänster: Lidarmätning (svart), modellberäkning i MATCH (grönt) och analysen (rött); Till höger: Analysinkrementet i modellrummet. Lidarmätningen är utförd av FOI i Linköping.
Förstora Bild