Сравнение озона OMI и MODIS

Выполнен сравнительный анализ данных содержания озона с различных радиометров (MODIS и OMI), установленных на различных космических аппаратах (Terra и Aura соответственно).

Одна ячейка РШДР 1,0°×1,0° для MODIS покрывает 16 ячеек РШДР 0,25°×0,25° OMI.

Для построения диаграммы рассеяния на рисунке ниже был получен один временной ряд из 16 рядов ячеек OMI выбором максимального значения для каждой даты и один ряд ячейки MODIS. Все ряды выбраны между широтами 48° и 49°, долготами 37° и 38°. Коэффициент корреляции Пирсона в данном случае составил 0,8.

Диаграмма рассеяния показаний содержания озона радиометров
спутников Terra (MODIS) и Aura (OMI)

Аналогично для каждой ячейки РШДР с разрешением 1,0°×1,0° для территории Украины (144 ячейки) вычислены коэффициенты корреляции между показаниями радиометров. Для данной территории коэффициент корреляции достигает значений 0,9.

Карта коэффициентов корреляции показаний содержания озона
радиометров MODIS и OMI

Проанализировано содержание озона над территорией Украины за 12 последних лет (2000–2012 гг.), полученного с помощью радиометра MODIS.

Извлекая из временных рядов среднемесячных концентраций озона для каждой ячейки РШДР 1,0°×1,0° тренды методом STL, можно отметить рост содержания озона над некоторыми территориями.

Тренды (метод STL) среднемесячных концентраций содержания
озона (радиометр MODIS) для широты 47° в пределах территории Украин

Использованы временные ряды для всех ячеек с фиксированной координатой широты 47° и долготами от 22° до 39° с шагом в 1°.

Тренд, который находится над всеми остальными, соответствует ячейке (48°, 47°), которая покрывает часть Донецкой области.

Возможно, для некоторых ячеек положительная динамика связана с ростом концентрации приземного озона.

Email

Facebook

Google

Linkedin

Twitter

Аэрозоль над городами Европы

Аэрозоль — один из основных загрязнителей атмосферы, особенно в крупных городах. В частности, частицы PM_2.5 и PM₁₀ могут вызывать раковые заболевания легких.

Благодаря Climate Wikience, которая предоставляет временные ряды данных повторного анализа и дистанционного зондирования Земли для отдельных ячеек регулярной широтно-долготной решетки, появляется возможность выполнять исследования с высокой точностью. Например, для отдельных городов либо зон влияния промышленных предприятий.

О содержании аэрозоля в атмосфере городов Европы (различных типов и размеров) позволяет судить величина оптической толщины аэрозоля (ОТА), (англ. aerosol optical thickness, AOT), которая измеряется радиометром MODIS космического аппарата Terra (Terra MODIS).

Ниже представлены среднемесячные графики ОТА для городов Европы за 12 лет (с марта 2000 г. по сентябрь 2012 г.). ОТА изменяется в диапазоне от 0 до 5. Представленные графики ярко выражают существенное снижение содержания аэрозоля над некоторыми городами Европы.

Анализ трендов аэрозоля над Римом, Италия

Напомним, что пассивный метод дистанционного зондирования Земли аэрозоля возможен только при отсутствии облачности над исследуемой территорией. Для демонстрации возможностей анализа с помощью Climate Wikience и среды R выбран город Рим, Италия. Это один из городов, над которым почти постоянно в течении года наблюдается ясная погода.

Посмотрим, как построить график среднемесячной концентрации ОТА для Рима, который был показан в начале этой страницы. Ниже представлен код на языке R.

# Загрузка пакета RWikience для доступа к Сlimate Wikience
library(RWikience)
 
# Подключние к Climate Wikience
w <- WikienceConnect()
 
# Запрос временного ряда ОТА Terra MODIS для ячейки с координатами, соответствующими Риму
# с 03 марта 2000 г. по 04 октября 2012 г.
queryTimeSeries(w, "Modis L3 Atmosphere.Land.Optical_Depth_Land_And_Ocean.Maximum", "02 03 2000", "04 10 2012", 41, 12, 41, 12)
 
# Извлечение запрошенного временного ряда из Climate Wikience в среду R
t <- getTimeSeries(w, 0)
 
t_avg <- aggregate(t["value"], format(t["date"], "%Y-%m"), mean, na.rm = TRUE)
t_avg$date <- seq(min(t$date), max(t$date), length = nrow(t_avg))
plot(t_avg$date, t_avg$value, type="l")

Среднемесячная оптическая толщина аэрозоля для Рима, Италия.

Построим диаграмму Тьюки для ежедневных значений ОТА над Римом на протяжении всех 12 лет.

ids <- which (t$value <= 2)
plot(as.factor(format(t$date[ids], "%m")), t$value[ids])

Диаграмма Тьюки ежедневных значений ОТА над Римом
на протяжении 12 лет (2000 – 2012).

Из диаграммы Тюки следует, что ОТА имеет сезонный характер с максимальными значениями в летние месяцы и минимальными в зимние.

Поскольку доступны ежедневные данные ОТА, давайте наглядно отобразим значение оптической толщины аэрозоля в атмосфере Рима за каждый день.

library(openair)
calendarPlot(t, "value", 2004)

Оптическая толщина аэрозоля в атмосфере над г. Рим, Италия, в 2004 г.

Дни календарика без цвета означают отсутствие значения ОТА для этого дня по причине облачности либо других факторов.

Декомпозиция методом STL

Для более уверенного суждения о динамике концентрации аэрозоля над городами Европы, выполним декомпозицию среднемесячных временных рядов ОТА с помощью метода STL. Из одного ряда можно выделить сезонный цикл, тренд и остаточные флуктуации в виде шума.

Поскольку пробелы в представленных временных рядах вызваны отсутствием данных для некоторых зимних месяцев по причине облачности, характерной для этого сезона, а метод STL требует непрерывного временного ряда, то для заполнения недостающих значений использовалась линейная аппроксимация.

library(zoo)
t_avg.trim <- na.trim(t_avg)	
t_avg.trim$value <- na.approx(t_avg$value)
t_avg.ts <- ts(t_avg.trim[,2], start=c(2000,3), freq=12)
plot(stl(t_avg.ts, s.window="periodic", robust=TRUE))

Декомпозиция временного ряда
среднемесячной оптической толщины аэрозоля над Римом, Италия

На рисунке первый временной ряд – сезонный цикл, средний – тренд, последний внизу – остаточные флуктуации (шум).

Таким образом, за 12 лет над Римом содержание аэрозоля уменьшилось примерно на среднюю концентрацию, характерную для одного из зимних месяцев (0,2), с 0,45 до 0,25. Аналогичные исследования не обнаруживают снижения концентрации аэрозоля в атмосфере над городами Украины.

Следует отметить, что площадь ячейки 1,0°×1,0° обычно выше площади города и в ячейку может попадать часть близлежащей акватории, поэтому не всегда техногенные факторы доминируют в общей величине ОТА в ячейке.

Литература

Email

Facebook

Google

Linkedin

Twitter

Торфяные пожары в России 2010 года

Торфяные пожары в России 2010 года запечатлили себя в истории как масштабная природная катастрофа. Основная причина — аномальная жара в России 2010 г. Пожарами было охвачено около 200 тысяч гектар. Чрезвычайно густой дым от пожаров являлся одним из особенностей события.

C помощью Climate Wikience можно отобразить данные оптической толщины аэрозоля (ОТА), полученные с помощью радиометра MODIS космического аппарата Terra.

Climate Wikience: визуализация оптической толщины аэрозоля, 9 августа 2010 г.

Отчетливо видно, что дым распространяется не только по территории России, но также довольно глубоко проникает в атмосферы соседних государств: восточную Украину и Казахстан (для рассматривамой даты).

Данные ОТА доступны ежедневно с марта 2000 г. и имеют пространственное разрешение 1,0° × 1,0° (примерно 110 × 72 км для средних широт).

Climate Wikience позволяет не только визуализировать данные, но и анализировать их в среде R. На сегодняшний день она содержит более 5000 пакетов, включая моделирование, работу с растровыми данными, анализ временных рядов.

Все данные Climate Wikience непосредственно доступны из среды R. Для этого необходимо установить пакет RWikience, специально разработанный для связки Climate Wikience и R. Построим карту значений оптической толщины аэрозоля (ОТА) за 09.08.2010 г.

  library(RWikience) # пакет для доступа к данным Climate Wikience из R 
  library(openair)   # цветовая шкала openColours
  library(raster)    # операции с растровыми данными
  library(cshapes)   # границы стран
 
  # получим матрицу ОТА из Climate Wikience за 09.08.2010 г.
  m <- getFloatMatrix(
          w, 
         "Modis L3 Atmosphere.AEROSOL.LAND AND OCEAN.Optical Depth.Maximum", 
         "09 08 2010" )
 
  # преобразуем матрицу в растровый тип данных языка R
  r <- convertToRaster(m)
 
  # вырезка области из карты (часть территории России, см. рисунок ниже)
  r_cut <- cutRaster(r, 70, 44, 22, 78)
 
  # визуалзиация карты в среде R
  plot(r_cut, col = openColours("heat"))
 
  # добавление на карту границ государств
  cshp.data <- cshp()
  plot(cshp.data, add=T, border="black")

Полученное изображение выглядит следующим образом

Поскольку данные находятся в среде R, c ними можно выполнять действия произвольной сложности. Например, рассчитать площадь территории, подверженной пожару. Об этом читайте в следующих публикациях.

Полезные ссылки

• Пакет RWikience

Email

Facebook

Google

Linkedin

Twitter

Диоксид азота: загрязнение атмосферы Европы

Диоксид азота — одно из самых распространенных загрязняющих веществ атмосферы. Стимулирет кислотные дожди, воздействует на дыхательные пути и легкие, вызывает изменения состава крови, в частности, уменьшает содержание в крови гемоглобина.

С помощью Climate Wikience можно строить карты рисков загрязнения атмосферы высокого разрешения. Преимущество таких карт в том, что они наглядно отражают характерную картину загрязнения атмосферного воздуха и позволяет ответить на ряд актуальных вопросов экологической безопасности. Например, насколько уровень загрязнения атмосферы выше в городах, чем в регионе; какой регион страны имеет самые высокие риски загрязнения; какова степень загрязнения атмосферы страны в сравнении с другими странами Европы.

Карта рисков умеренного уровня загрязнения атмосферы Европы диоксидом азота (NO₂) с разрешением примерно 27,5 км × 18 км (0,25° × 0,25°).
смотреть в Google Earth

Цветовая гамма карты подобрана так, что она подходит для печати в оттенках серого. Если вы желаете распечатать информацию на этой странице, лучйший способ это сделать — распечатать одну из публикаций, например эту.

Метод

Под риском загрязнения атмосферы понимается вероятность концентрации загрязняющего вещества в определенном диапазоне над изучаемой территорией. Метод вычисления рисков довольно прост как для вычисления, так и для понимания. В то же время, он наглядно отражает характер загрязнения воздуха.

Для каждой ячейки подсчитывается количество дней S(a, b) с концентрацией загрязняющего вещества в диапазоне значений a..b единиц Добсона (еД), а также количество дней T, для которых имеются данные наблюдений. Риск загрязнения для ячейки считается равным R(a, b) = S(a, b) / T.

Предложенный метод отличается тем, что он учитывает весь доступный временной интервал данных, устойчив к выбросам в данных (outliers) и ориентирован на построение карт по данным дистанционного зондирования Земли.

Учитывая диапазон значений концентрации NO₂, низким уровнем загрязнения диоксидом азота считается диапазон значений 0,0..0,2 еД, умеренным 0,2..0,4 еД (смотреть в Google Earth), высоким 0,4..0,6 еД (смотреть в Google Earth), очень высоким 0,6..0,8 еД, катастрофическим – более 0,8 еД. Шкала подобрана экспериментально, чтобы учесть как можно больше особенностей загрязнения NO₂ и обеспечить приемлемое количество интервалов при построении диаграммы относительных частот.

Для построения карты рисков были использованы данные загрязнения атмосферного воздуха спутника Aura, радиометра OMI за период 01.10.2004—31.12.2012. Данные доступны ежедневно для всего Земного шара.

Публикации

Подробности о рисках загрязнения атмосферного воздуха можно найти в публикациях

Email

Facebook

Google

Linkedin

Twitter

Динамика диоксида углерода (CO₂)

Диоксид углерода, или углекислый газ (CO₂), является одним из основынх парниковых газов, который приводит к глобальному потеплению. Его выбросы контроллируются Киотским протоколом.

Карта усредненных разностей (см. ниже) трендов диоксида углерода (CO₂) для участка Земли между широтами –61° и 89° с разрешением 2,0°×2,5°

Из карты выше следует, что среднемесячная концентрация диоксида углерода однородна над Земным шаром (отличается на не более 6,5 ppm, что составляет менее 2% общей концентрации над любой точкой Земли). Это свидетельствует о хорошем перемешивании диоксида углерода в атмосфере. Следовательно, в среднем концентрацию (CO₂) над Украиной, США, Китаем, западной Европой и северным полюсом можно считать одинаковой.

Ниже приведен способ получения карты, дополнительные сведения и диаграммы.

Данные Aqua AIRS

Радиометр Airs, установленный на борту космического аппарата Aqua, позволяет измерять содержание CO₂ в атмосфере с точностью до 2 ppm. Измерения доступны с ежедневной частотой, а пространственное разрешение данных составляет 2,0° × 2,5° (примерно 220 × 144 км для средних широт). Данные доступны с 1 января 2004 г.

Хотя пространственное разрешение данных подходит только для исследований в масштабах страны, континентов либо всего мира, их высокая точность позволяет понять много новых закономерностей о динамике и распределении CO₂.

Временные ряды CO₂ в Climate Wikience

Climate Wikience предоставляет временные ряды концентрации диоксида углерода (CO₂) для каждой ячейки размером 2,0° × 2,5° регулярной широтно-долготная решетки. Построим временные ряды для некоторых точек Земли.

Среднемесячная концентрация (а) и ее тренд (метод STL) (б) диоксида углерода (CO₂) в атмосфере над территорией Украины (47°, 35°) (сплошная линия) и тропиками (–11°, 15°) (пунктирная).

Обнаружевается очевидный рост содержания диоксида углерода в атмосфере не только над территорией Украины, но и над любой другой точкой планеты.

Построение карты усредненных разностей трендов CO₂

Для более уверенного суждения о динамике CO₂ над всей планетой, из временных рядов среднемесячной концентрации CO₂ каждой ячейки регулярной широтно-долготной решетки разрешением 2,0°×2,5° для всей Земли (данные севернее широты –61° отсутствуют) извлечены тренды методом STL и вычислена их усредненная разность ∆ppm следующим образом. Пусть v = <v1, v2, …, v98> и w = <w1, w2, …, w98> – извлеченные тренды из произвольной и фиксированной на протяжении вычислений ячейки соответственно. Число 98 является количеством месяцев с января 2004 г. по февраль 2012 г. Усредненная разность ∆ppm для тренда v равна ∑(vi – wi)/98, где i = 1, 2,…, 98. Прибавив к ∆ppm минимальную из полученных усредненных разностей, получим карту на первом рисунке. Использовано только 16 цветов для повышения контрастности изображения.

Ссылки

Email

Facebook

Google

Linkedin

Twitter