Raum-Zeit-Analyse von Co2 Emissionen

ein Supper & Supper Use Case

Im Rahmen der Verhandlungen zum globalen Klimawandel spielt das Monitoring und Reporting der CO2-Emissionen eine entscheidende Rolle. Das aktuelle System bezieht sich jedoch auf nichtstandardisierte und nur auf Industriestatistiken basierende, nationale Berichte. Dies hat nicht validierbare Schätzungen der nationalen CO2-Emissionen zur Folge. Ziel dieses Projekts war es daher, alternative Methoden zu identifizieren, die globale CO2-Emissionen quantifizierbar und objektiv validierbar machen.

Der verwendete Hauptdatensatz beinhaltet die Messungen der CO2-Oberflächenkonzentrationen, die durch den Greenhouse Gases Observing Satellite (GOSAT) gewonnen wurden, und umfasst die überwiegende Landmasse von Europa und Asien. Als zusätzliche Datensätze dienten NASA-Satelliten-Messungen der Vegetationsindizes, Bevölkerungsdichte, Kohlenstoffmonoxid und Stickstoffdioxid.

Die erste Herausforderung adressiert die hohe Dimensionalität in Raum und Zeit, die schnell zu Engpässen in der Rechenleistung führt. Dies wurde mit Ansätzen zur Approximation gelöst, die den Trade-Off zwischen Vorhersageleistung und Rechenanforderung analysieren.

Die zweite Aufgabe war die Erstellung eines Modell-Frameworks für die CO2-Konzentrationen, das eine Raum-Zeit-Vorhersage mit sehr niedriger Datendichte erlaubt und diese Korrelationsstruktur innerhalb der Daten verwendet. Mittels statistischer Modellierung wurden so die Raum-Zeit-Dynamiken erfasst.

Die Hauptherausforderung war die Ableitung der CO2-Quellen und -Senken und die Bestimmung, wieviel CO2 durch Menschen ausgestoßen wurde und wie hoch die Abweichung in der CO2-Oberflächenkonzentration aufgrund der Vegetation ist. Der gesamte Kohlenstoffzyklus inklusive der saisonal variierenden Vegetation wurde in das Modell integriert.

Letztlich war es möglich, die menschlich verursachten CO2-Emissionen zu quantifizieren.

Es wurde ein alternativer Ansatz zum bestehenden Monitoring- und Reporting-System der CO2-Emissionen vorgeschlagen. Dieser ist in der Lage, den CO2-Konzentrationsprozess effizient global abzubilden und den gesamten terrestrischen Kohlenstoffzyklus und die auf objektiven Satellitenmessungen basierenden CO2-Emissionen zu erfassen. Eine Vergleichsstudie zeigte, dass die Modellergebnisse größtenteils mit den gemeldeten Emissionen (UNFCCC) der europäischen Staaten übereinstimmten, aber für Länder wie China und Korea stark abwichen. Das deutet auf einen (absichtlichen oder nicht) Fehler des entsprechenden Reporting-Systems hin.

Kategorie

→  GEO AI
Spatial temporal Analysis

Technologien

Spatio-temporal statistics

Download

Social Sharing

Weitere Use Cases dieser Kategorie