Деревья на возвышенностях являются поглотителями атмосферного метана

Известно, что деревья вносят важный вклад в круговорот углерода на планете, поглощая углекислый газ и преобразуя его в биомассу. Недавняя 📖 работа показала, что деревья на возвышенностях поглощают не только углерод, но и метан.

Метан поглощается не самими деревьями, а колониями метанотрофных бактерий, которые обитают на поверхности коры, извлекают метан из воздуха, окисляют его и превращают в биомассу и углекислый газ. Последний воздействует на климат примерно в 30 раз слабее, чем исходный метан. Особенно быстро метан поглощался корой тропических деревьев, что связано с ускорением метаболизма микробов в теплом и влажном климате.

По оценкам исследователей, кора всех деревьев Земли ежегодно поглощает от 25 до 50 млн тонн метана, что примерно на 10% повышает полезный вклад растительности в борьбу с глобальным потеплением.

#CH4 #климат #лес

Эль-Ниньо всё

Прогрев восточную часть Тихого океана примерно на год, Эль-Ниньо окончательно угас в мае 2024 года. Это природное климатическое явление способствовало рекордно высоким температурам океана в течение многих месяцев, экстремальным осадкам в Африке, низкому ледовому покрову на Великих озерах и сильной засухе в Амазонии и Центральной Америке. По состоянию на июль 2024 года восточная часть Тихого океана находилась в нейтральной фазе, но передышка может оказаться недолгой.

На картах 🗺 показаны аномалии высоты поверхности моря в центральной и восточной частях Тихого океана, наблюдавшиеся 1 июля 2024 года (справа), во время нейтральной фазы, и 4 декабря 2023 года (слева), в период пика Эль-Ниньо. Красным цветом отмечены области, где уровень океана был выше нормы; синим — где уровень моря был ниже среднего; белым — нормальный уровень океана. Использовались данные, полученные со спутника Sentinel-6 Michael Freilich.

#климат #погода #океан

Глобальный набор данных интенсивности городских островов тепла (2001–2020)

Эффект городского острова тепла (Urban Heat Island, UHI), характеризующийся локальным потеплением над городскими территориями, является одним из самых известных последствий урбанизации для климата. Традиционные оценки интенсивности UHI разнятся из-за фокусировки исследований на “обычном” UHI (или canopy UHI), присутствие которого оценивается по приземной температуре воздуха, или на “поверхностном” UHI (surface UHI), который оценивается по температуре земной поверхности, а также из-за рассмотрения случаев безоблачного неба (clear-sky) и присутствия облаков (all-sky).

В 📖 работе рассматриваются оба вида городских островов тепла как при наличии, так и в отсутствие облачности. Для приведения данных “к общему знаменателю” предлагается метод динамической равной площади (dynamic equal-area, DEA).

Применяя метод DEA и интегрируя данные о температуре по сетке, был получен глобальный набор данных интенсивности UHI, охватывающий более 10000 городов за период более 20 лет с ежемесячным временным разрешением. Этот набор данных предлагает многосторонние оценки интенсивности UHI. Значения температуры земной поверхности получены из наблюдений приборов MODIS спутников Terra и Aqua.

Исследования показали, что интенсивность UHI больше нуля в более чем 80% исследованных городов, со среднегодовым глобальным значением около 1,0°C (днем) и 0,8°C (ночью) для поверхностного UHI, и около 0,5°C для обычного UHI.

В более чем 60% городов отмечается межгодовая тенденция к увеличению интенсивности UHI. При этом глобальные средние тенденции превышают 0,1°C за десятилетие (день) и 0,06°C за десятилетие (ночь) для поверхностного UHI, и чуть более 0,03°C за десятилетие для обычного UHI.

Выявлена положительная корреляция между величиной и тенденцией интенсивности UHI, указывающая на то, что в городах с более интенсивным UHI наблюдается и более быстрый рост интенсивности UHI с течением времени.

Набор данных находится в открытом доступе:

🛢 Global Urban Heat Island Intensity Dataset
🌍 Urban Heat Island Intensity (UHII) на GEE

#LST #климат #данные #GEE

Сенсорно-независимые данные MODIS & VIIRS LAI/FPAR (2000–2022)

Набор пространственных данных Sensor-Independent MODIS & VIIRS LAI/FPAR CDR (2000–2022) охватывает важнейшие биофизические параметры: индекс листовой поверхности (Leaf Area Index, LAI) и долю фотосинтетически активной радиации (Fraction of Photosynthetically Active Radiation, FPAR или FAPAR*), необходимые для характеристики наземных экосистем.

При подготовке данных особое внимание уделялось ограничениям, имевшимся в существующих глобальных продуктах LAI/FPAR, в том числе, проблемам пространственно-временной согласованности и точности. Методика создания набора данных описана в:

📖 Pu, J., Yan, K., Roy, S., Zhu, Z., Rautiainen, M., Knyazikhin, Y., & Myneni, R. B. (2024). Sensor-independent LAI/FPAR CDR: reconstructing a global sensor-independent climate data record of MODIS and VIIRS LAI/FPAR from 2000 to 2022. Earth System Science Data, 16(1), 15–34. https://doi.org/10.5194/essd-16-15-2024

Данные создавались как сенсорно-независимые на основе стандартных продуктов LAI/FPAR Terra MODIS, Aqua MODIS и VIIRS. Они охватывают временной интервал с 2000 по 2022 год и содержат данные LAI/FPAR в различных пространственных разрешениях: 500 м, 5 км и 0,05° с шагами по времени 8 суток и два месяца. Набор данных доступен в синусоидальной проекции, а также в WGS 1984.

Доступ к данным:

🛢 Zenodo
🌍 Google Earth Engine

📊 Схема создания данных.


*FPAR или FAPAR (Fraction of Absorbed Photosynthetically Active Radiation) — доля падающей фотосинтетически активной радиации (400–700 нм), поглощаемой растительностью.

#данные #климат #GEE

Обзор методов интерпретируемого машинного обучения для прогнозирования погоды и климата

В последнее время передовые модели машинного обучения достигли высокой точности прогнозирования погоды и климата. Большинство из этих моделей является “черными ящиками”: они выдают результаты, не позволяя пользователю заглянуть внутрь, чтобы разобраться, как именно был получен тот или иной прогноз. Поэтому важную роль приобретает развитие интерпретируемых методов машинного обучения.

В 📖 статье рассмотрены современные подходы к интерпретируемому машинному обучению, применяемые для метеорологических прогнозов. Подходы делятся на две группы: (1) методы интерпретации post-hoc, объясняющие предварительно обученные модели, такие как методы атрибуции на основе возмущений, теории игр и градиентные методы; (2) разработка интерпретируемых моделей с нуля с помощью таких архитектур, как ансамбли деревьев или объясняемые (explainable) нейронные сети. Коротко описан каждый метод, и то как именно он позволяет понять прогнозы, раскрывая метеорологические взаимосвязи, улавливаемые машинным обучением. В финале работы обсуждаются проблемы исследования и перспективы на будущее.

📖 Yang, R., Hu, J., Li, Z., Mu, J., Yu, T., Xia, J., Li, X., Dasgupta, A., & Xiong, H. (2024). Interpretable machine learning for weather and climate prediction: A review. Atmospheric Environment, 338, 120797. https://doi.org/10.1016/j.atmosenv.2024.120797

#нейронки #погода #ИИ #климат

Опубликован четвертый том Национального доклада “Глобальный климат и почвенный покров России: Арктическая зона, мерзлотные почвы — будущему России (сельское и лесное хозяйство)” под редакцией Р.С.‑Х. Эдельгериева и А.Л. Иванова.
 
🌱 Скачать книгу*: https://esoil.ru/info_resources/publications

📖 Национальный доклад «Глобальный климат и почвенный покров России: арктическая зона, мерзлотные почвы — будущему России (сельское и лесное хозяйство)» (под редакцией Р.С.-Х. Эдельгериева и А.Л. Иванова). Том 4. М.: ФГБНУ ФИЦ «Почвенный институт им. В.В. Докучаева», 2024. 672 с.

Четвертый том Национального доклада «Глобальный климат и почвенный покров России» подготовлен группой ведущих российских экспертов и организаций. Он представляет собой пример объединения усилий научного и экспертного сообщества с целью выработки новых подходов к управлению рисками, связанными с влиянием климатических изменений на природную среду и виды хозяйствования в Арктике и Субарктике. В документе представлен широкий аналитический материал, обобщена имеющаяся на сегодняшний день информация и фактура современного состояния почвенного покрова Арктической зоны Российской Федерации, прогноз возможных изменений под воздействием естественных факторов, в первую очередь климатических, а также текущей и потенциальной трансформации почв в результате различной антропогенной деятельности. В Докладе представлен также почвенный покров зоны сплошного и прерывистого распространения многолетнемерзлотных пород за пределами Арктической зоны, который подвергается тем же рискам в условиях меняющегося климата и увеличивающегося антропогенного воздействия. Анализируются региональные изменения климатических условий и их последствия для почвенного покрова и сельскохозяйственного освоения. Рассматриваются вопросы стратегии и технологии адаптации почвенного покрова мерзлотных областей к климатическим и антропогенным изменениям.

*На сайте можно свободно скачать и три предыдущих тома доклада.

#почвы #климат

XXII Международная конференция современные проблемы дистанционного зондирования земли из космоса (2024). Пленарные доклады 11 ноября

Ведущий: Е. А. Лупян, д.т.н., заведующий отделом “Технологий спутникового мониторинга”, руководитель работ ИКИ РАН в области дистанционного исследования Земли из космоса.

🔹17:01 Начало трансляции.
🔹17:24 Приветственное слово А. А. Емельянова, заместителя генерального конструктора АО "Российские космические системы" (2,5 мин.)
🔹20:23 Приветственное слово С. В. Тасенко, директора ФГБУ "НИЦ "ПЛАНЕТА" (1,5 мин.)
🔹23:43 Мировые тенденции развития направления ДЗЗ. Российские приоритеты информационного обеспечения задач развития Арктической зоны РФ. Емельянов А.А., АО "Российские космические системы" (30 мин., в трансляции есть четыре перерыва.)
🔹56:05 Высокоэллиптическая гидрометеорологическая космическая система «Арктика-М». Крамарева Л.С., Научно-исследовательский центр космической гидрометеорологии «Планета» (25 мин.)
🔹1:21:59 Изменения арктических морских льдов в ХХ веке: неопределённость и новые реконструкции. Семенов В.А., Институт физики атмосферы имени А. М. Обухова РАН, Институт географии РАН (28 мин.)
🔹1:50:54 Исследование причин и последствий таяния льдов Арктики. Аванесов Г.А., Институт космических исследований РАН (35 мин.)
🔹2:28:57 Особенности использования данных спутниковой микроволновой радиометрии при изучении арктического ледяного покрова. Алексеева Т.А., Арктический и Антарктический научно-исследовательский институт (ААНИИ), Институт космических исследований РАН (25 мин.)
🔹2:56:08 Дистанционные исследования растительного покрова арктической зоны как индикатора климатических изменений. Елсаков В.В., Институт биологии Коми НЦ УрО РАН (29 мин., окончание отсутствует в трансляции)
🔹3:24:50 Окончание трансляции.

#конференции #арктика #климат

Российские ученые создали суперкомпьютерную модель деятельного слоя суши (почвы, озер и растительности), которая поможет прогнозировать влияние климатических изменений на состояние экосистем. Ожидается, что она станет частью национальной климатической модели и национальной системы климатического мониторинга и прогноза.

Вместе с учеными МГУ авторами модели, получившей название TerM (Terrestrial Model), выступили специалисты Института вычислительной математики им. Г. И. Марчука РАН. Разработка использует результаты расчетов, выполненные на суперкомпьютере "Ломоносов-2".

"Внедрение такой модели в составе национальной климатической модели позволит более реалистично моделировать климат и прогнозировать его изменения на территории России с учетом естественных и антропогенных факторов. В будущем, к примеру, можно будет оценивать влияние тех или иных решений в области регулирования выбросов на состояние климатической системы. С учетом сложности климатической системы, прогноз этой реакции возможен только с учетом локальных процессов в деятельном слое суши, которые мы моделируем", — сообщил старший научный сотрудник лаборатории суперкомпьютерного моделирования природно-климатических процессов Научно-исследовательского вычислительного центра МГУ им. М. В. Ломоносова Михаил Варенцов.

Исследователь также рассказал про другую разработку в области моделирования погоды и климата — новую ИИ-модель, которая позволяет прогнозировать эффект городского острова тепла. Остров тепла — это локальная температурная аномалия в городах, которая может усиливать тепловой стресс и создавать дополнительные риски для здоровья горожан в условиях летней жары. Для построения этой модели используется новый суперкомпьютер "МГУ-270", ориентированный на ИИ-задачи.

"Вначале мы разработали модель для центра Москвы, а потом доработали ее, и теперь наша система позволяет получить карту температурах аномалий для всей Московской агломерации. По точности прогноза она сопоставима с классическими подходами и может использоваться для анализа температурных изменений в мегаполисах".

Источник

#россия #климат