Ny teknik til præcise estimater af tendenser i ozon og andre atmosfæriske bestanddele

Ozon er en atmosfærisk bestanddel, som ikke kun påvirker menneskers sundhed, men også vegetationen, især enårige afgrøder. Dermed, ozon kan påvirke brugen af ​​jord og vand. Det er svært at registrere stigninger og fald i ozon og andre bestanddele inden for et bestemt område eller tidsramme. Hvorfor? Ozonsignalet er oversvømmet af naturlige variationer eller cyklusser. Nu, forskere udviklede en metode til at optimere luftkvalitetssignaldetektionsevnen over store dele af det kontinentale USA. Deres metode bruger rumlige og tidsmæssige gennemsnitsskalaer.

Den nye metode til detektering af luftkvalitetssignaler kan forbedre forskernes forståelse af og evne til at spore luftkvalitetstendenser. Det kan anvendes ikke kun på overfladeozondata, men også på en lang række modellerede eller observationsdata.

Arbejde med simulerede og observerede overfladeozondata i USA, der dækker en 25-årig periode, forskerne analyserede, hvordan størrelsen af ​​variabiliteten af ​​dataene på grund af meteorologi afhang af den rumlige (kilometer) eller tidsmæssige (år) skala, som dataene blev beregnet i gennemsnit over. Da de indså omfanget af regionen og den nødvendige tidsramme for at opnå et klart signal om ændringer i luftkvaliteten inden for datasættet, de bestemte effektivt risikoen for at få en utilstrækkeligt repræsentativ stikprøve, når der blev beregnet et gennemsnit af dataene over en for lille region eller tidsramme.

Som forventet, de fandt ud af, at gennemsnit over et større område og tidsramme, som reducerer "støjen" fra naturlig variabilitet, vil øge signaldetektions nøjagtighed. Forskernes mest markante fund var, at over store dele af det kontinentale USA, de kunne opnå den mest følsomme signaldetekteringsevne ved strategisk at kombinere specifikke rumlige og tidsmæssige gennemsnitsskalaer. Med andre ord, de udviklede en måde til systematisk at identificere et datasæts "sweet spot" - antallet af kilometer og år, som dataene skal gennemsnit over for at detektere signalet mest effektivt. For de signaler, der er sværest at opdage, de anbefalede et gennemsnit af dataene over 10 til 15 år og over et område, der strækker sig op til flere hundrede kilometer.