期刊文献+
共找到8篇文章
< 1 >
每页显示 20 50 100
Autonomous Changes in the Concentration of Water Vapor Drive Climate Change
1
作者 William A. Van Brunt 《Atmospheric and Climate Sciences》 2020年第4期443-508,共66页
When compared to the average annual global temperature record from 1880, no published climate model posited on the assumption that the increasing concentration of atmospheric carbon dioxide is the driver of climate ch... When compared to the average annual global temperature record from 1880, no published climate model posited on the assumption that the increasing concentration of atmospheric carbon dioxide is the driver of climate change can accurately replicate the significant variability in the annual temperature record. Therefore, new principles of atmospheric physics are developed for determining changes in the average annual global temperature based on changes in the average atmospheric concentration of water vapor. These new principles prove that: 1) Changes in average global temperature are not driven by changes in the concentration of carbon dioxide;2) Instead, autonomous changes in the concentration of water vapor, <span style="white-space:nowrap;">Δ</span>TPW, drive changes in water vapor heating, thus, the average global temperature, <span style="white-space:nowrap;">Δ</span>T<sub>Avg</sub>, in accordance with this principle, <span style="white-space:normal;"><span style="white-space:nowrap;">Δ</span>T</span><span style="white-space:normal;"><sub>Avg</sub>=0.4<span style="white-space:normal;"><span style="white-space:nowrap;">Δ</span>TPW </span></span>the average accuracy of which is ±0.14%, when compared to the variable annual, 1880-2019, temperature record;3) Changes in the concentration of water vapor and changes in water vapor heating are not a feedback response to changes in the concentration of CO<sub>2</sub>;4) Rather, increases in water vapor heating and increases in the concentration of water vapor drive each other in an autonomous positive feedback loop;5) This feedback loop can be brought to a halt if the average global rate of precipitation can be brought into balance with the average global rate of evaporation and maintained there;and, 6) The recent increases in average global temperature can be reversed, if average global precipitation can be increased sufficiently to slightly exceed the average rate of evaporation. 展开更多
关键词 carbon dioxide Climate Change Water Vapor Global Warming DRIVER average Global Temperature Change in concentration Water Vapor Water Vapor Heating
下载PDF
Erratum to “Autonomous Changes in the Concentration of Water Vapor Drive Climate Change” [Atmospheric and Climate Sciences 10 (2020) 443-508]
2
作者 William Van Brunt 《Atmospheric and Climate Sciences》 2021年第3期535-546,共12页
<p> A. <span style="font-family:Verdana;"><span style="font-family:Verdana;"><span style="font-family:Verdana;">Changes </span></span></span><... <p> A. <span style="font-family:Verdana;"><span style="font-family:Verdana;"><span style="font-family:Verdana;">Changes </span></span></span><span style="font-family:Verdana;"><span style="font-family:Verdana;"><span style="font-family:Verdana;">in</span></span></span><span><span><span style="font-family:" color:black;"=""><span style="font-family:Verdana;"> average global temperature are not driven by changes in the concentration of carbon dioxide;</span></span></span></span> </p> <p> <span style="font-family:Verdana;">B. </span><span style="font-family:Verdana;">Instead, autonomous changes in the concentration of water vapor, </span><span style="font-family:Verdana;">Δ</span><span style="font-family:Verdana;">TPW, </span><span color:black;"=""><span style="font-family:Verdana;">drive changes in water vapor heating, thus, </span><span style="background:#C00000;font-family:Verdana;">changes in</span><span style="font-family:Verdana;"> the average global temperature, </span></span><span style="font-family:Verdana;">Δ</span><span style="font-family:Verdana;"><i>T</i></span><span style="font-family:Verdana;"><sub>Avg</sub></span><span color:black;"=""><span style="font-family:Verdana;">, </span><span style="background:#C00000;font-family:Verdana;">in deg. Celsius are calculated</span><span style="font-family:Verdana;"> in accordance with this principle,</span></span> </p> <p style="text-align:center;margin-left:10pt;"> <span><span><span style="font-family:" color:black;"=""><span style="font-family:Verdana;"></span><img src="Edit_6e770969-a7c9-4192-a6ad-03de906a4d65.bmp" alt="" /><br /> </span></span></span> </p> <p align="center" style="margin-left:10.0pt;text-align:center;"> <span><span><span style="font-family:;" "=""><span></span></span></span><span><span><span style="font-family:" color:black;"=""></span></span></span></span> </p> <p> <span><span><span style="font-family:" color:black;background:#c00000;"=""><span style="font-family:Verdana;">measured in kg<span style="color:#4F4F4F;font-family:-apple-system, " font-size:16px;white-space:normal;background-color:#f7f7f7;"=""><span style="color:#4F4F4F;font-family:-apple-system, " font-size:16px;white-space:normal;background-color:#f7f7f7;"="">·</span></span>m</span><sup><span style="font-family:Verdana;"><span style="color:#4F4F4F;font-family:-apple-system, " font-size:16px;white-space:normal;background-color:#ffffff;"="">-</span>2</span></sup><span style="font-family:Verdana;">,</span></span></span></span><span><span><span style="font-family:" color:black;"=""> </span></span></span><span style="font-family:Verdana;"><span style="font-family:Verdana;"><span style="font-family:Verdana;">the average accuracy of which is ±0.14%, when compared to the variable annual, 1880 </span></span></span><span style="font-family:Verdana;"><span style="font-family:Verdana;"><span style="font-family:Verdana;">-</span></span></span><span><span><span style="font-family:" color:black;"=""><span style="font-family:Verdana;"> 2019, </span><span style="background:#C00000;font-family:Verdana;">average global </span><span style="font-family:Verdana;">temperature record;</span></span></span></span> </p> 展开更多
关键词 carbon dioxide Climate Change Water Vapor Global Warming DRIVER average Global Temperature Change in concentration Water Vapor Water Vapor Heating
下载PDF
基于OCO-2卫星重构的中国地区高覆盖XCO_(2)时空分布特征
3
作者 陆婋泉 李波 +2 位作者 方凯杰 周雨奇 程含渺 《环境监控与预警》 2024年第1期1-11,共11页
卫星遥感技术是深入了解大气二氧化碳(CO_(2))时空分布特征的重要手段之一,由于探测技术的限制,目前基于卫星遥感观测数据反演的CO_(2)产品的空间覆盖度较低,数据缺失严重,不足以反映CO_(2)浓度的空间分布情况。现基于轨道碳观测卫星-2(... 卫星遥感技术是深入了解大气二氧化碳(CO_(2))时空分布特征的重要手段之一,由于探测技术的限制,目前基于卫星遥感观测数据反演的CO_(2)产品的空间覆盖度较低,数据缺失严重,不足以反映CO_(2)浓度的空间分布情况。现基于轨道碳观测卫星-2(OCO-2)、哨兵5P(Sentinel-5P)、美国CO_(2)同化模拟系统(Carbon Tracker)和欧洲中期天气预报中心第5代(ERA-5)气象再分析数据,结合时间序列拟合估算模型和随机森林算法,重构了2019—2022年中国地区高精度(0.05°×0.05°)大气CO_(2)平均干空气混合比(XCO_(2)),分析了中国地区CO_(2)时空变化特征。与OCO-2和Carbon Tracker对比结果显示,重构得到的XCO_(2)与OCO-2的观测结果一致性更高,均方根误差为1.05×10^(-6),决定系数高达0.96,可以在较高空间分辨率上体现中国地区XCO_(2)的时空分布情况。基于重构的XCO_(2)数据得知,中国地区XCO_(2)呈现明显的季节性波动,XCO_(2)呈冬春高、夏秋低的特征;2019—2022年,中国地区XCO_(2)呈现逐年上升的趋势,增长率达到(2.41±0.01)×10^(-6)/a,但近年来增长速率有所降低;从空间分布来看,中国东部、北部、中部地区的XCO_(2)显著高于其他地区,且增长率也较高;进一步分析中国典型经济区的XCO_(2)发现,杭州、天津、成都的XCO_(2)在各经济区内的增长最为迅速。研究成果可为碳监测研究、碳排放清单验证、碳排放管理、温室气体减排等研究提供重要的数据支撑。 展开更多
关键词 二氧化碳平均干空气混合比 重构 分布特征 随机森林
下载PDF
基于机器学习的星载短波红外CO_(2)柱浓度估算 被引量:5
4
作者 李静波 张莹 盖荣丽 《中国环境科学》 EI CAS CSCD 北大核心 2023年第4期1499-1509,共11页
利用OCO-2卫星遥感数据、全球碳柱总量观测网(TCCON)站观测数据、NDVI归一化植被指数数据、ERA5大气数据,采用决策树和集成学习(XGBoost、普通随机森林、极端随机森林、梯度提升)对二CO_(2)平均柱浓度进行预测.通过相关性分析、特征选... 利用OCO-2卫星遥感数据、全球碳柱总量观测网(TCCON)站观测数据、NDVI归一化植被指数数据、ERA5大气数据,采用决策树和集成学习(XGBoost、普通随机森林、极端随机森林、梯度提升)对二CO_(2)平均柱浓度进行预测.通过相关性分析、特征选择与特征提取,建立模型预测CO_(2)平均柱浓度,再与TCCON站点的地基观测数据进行比对.通过分析不同模型(决策树、XGBoost、普通随机森林、极端随机森林、梯度提升)预测的结果,发现使用极端随机森林回归模型预测CO_(2)平均柱浓度的精度最高,R^(2)、均方根误差(RMSE)、平均绝对误差(MAE)、平均相对误差(MRE)分别为:0.953、0.492×10^(-6)、0.260×10^(-6)、0.063%,其余模型次之,因此对极端随机森林回归模型的预测性能随自身参数的影响进行了分析,结果表明,在误差允许的范围内(±2×10^(-6)),极端随机森林回归模型和梯度提升回归模型预测的准确率一样,都为98.10%.由于CO_(2)的背景浓度较高,而边界层内CO_(2)浓度的空间差异相对较小,因此需要进一步缩小误差的范围,在±1×10^(-6)误差范围内,极端随机森林回归模型和梯度提升预测的准确率分别为91.82%和90.51%.所以采用极端随机森林算法预测CO_(2)柱浓度的结果更好,精度更高,符合CO_(2)预测的精度要求. 展开更多
关键词 二氧化碳平均柱浓度 集成学习 极端随机森林 梯度提升 决策树 XGBoost 短波红外
下载PDF
华北中元古代浅海碳酸盐沉淀方式变化:海水氧化还原条件波动的响应? 被引量:2
5
作者 吴孟亭 方浩 +2 位作者 孙龙飞 史晓颖 汤冬杰 《古地理学报》 CAS CSCD 北大核心 2021年第4期703-722,共20页
海相碳酸盐的沉淀方式被认为与水体氧化还原条件密切相关,即太古宙至古元古代缺氧的铁化海水中碳酸盐沉淀抑制剂Fe2+和Mn2+强力抑制灰泥在水柱中成核,但允许文石直接在海底生长,从而导致大量文石以海底沉淀方式产出,而新元古代适度的氧... 海相碳酸盐的沉淀方式被认为与水体氧化还原条件密切相关,即太古宙至古元古代缺氧的铁化海水中碳酸盐沉淀抑制剂Fe2+和Mn2+强力抑制灰泥在水柱中成核,但允许文石直接在海底生长,从而导致大量文石以海底沉淀方式产出,而新元古代适度的氧化海水则有利于灰泥以水柱沉淀方式形成。然而,碳酸盐沉淀方式的长期变化还可能受控于其他因素,其与海水氧化还原条件之间的关系还需要通过大量具体实例来验证。针对上述科学问题,笔者选择碳酸盐沉淀方式尚处于过渡时期的华北中元古界碳酸盐岩为研究对象,开展碳酸盐沉淀方式及与之对应的氧化还原条件研究。结果表明,华北高于庄组三段(约1.56 Ga)、雾迷山组四段下部(约1.48 Ga)和铁岭组二段(约1.44 Ga)发育大量灰泥水柱沉淀,其Ⅰ/(Ca+Mg)值较高(普遍大于0.5μmol/mol)、Ce负异常(低至0.8),指示适度氧化的条件;而高于庄组四段下部(约1.55 Ga)和雾迷山组二段中部(约1.50 Ga)则发育大量纤维状文石海底沉淀,其Ⅰ/(Ca+Mg)值约为0,指示次氧化至缺氧的环境。因此,本研究首次用大量实例证实了前寒武纪海水氧化还原条件对碳酸盐沉淀方式的重要调控作用,并且后者可作为海水氧化还原条件分析的重要指标,适用于高效开展长序列、多剖面的低氧背景下前寒武纪碳酸盐岩地层的氧化还原条件分析。 展开更多
关键词 碳酸盐海底沉淀 灰泥水柱沉淀 碳酸盐沉淀抑制剂 二氧化碳浓缩机制 稀土Ce异常 Ⅰ/(Ca+Mg)值
下载PDF
基于多源遥感数据的省域XCO_(2)变化与分析
6
作者 高淑贤 彭雨欣 +2 位作者 李文博 殷诗婷 马保东 《测绘与空间地理信息》 2024年第11期29-32,40,共5页
利用卫星监测XCO_(2)变化已成为一种有效手段。根据2009—2021年的GOSAT卫星数据并结合夜光遥感数据、净初级生产力遥感数据,探究辽宁省近13年XCO_(2)变化趋势,获取XCO_(2)变化的影响因素及XCO_(2)变化造成的影响。研究表明,自2009年起... 利用卫星监测XCO_(2)变化已成为一种有效手段。根据2009—2021年的GOSAT卫星数据并结合夜光遥感数据、净初级生产力遥感数据,探究辽宁省近13年XCO_(2)变化趋势,获取XCO_(2)变化的影响因素及XCO_(2)变化造成的影响。研究表明,自2009年起辽宁省XCO_(2)便处于稳定增长趋势,且辽东地区XCO_(2)总体高于辽西地区;通过相关系数计算得,夜光遥感数据与GOSAT数据相关系数较高,说明人类活动与XCO_(2)变化关系密切;NPP数据与XCO_(2)相关系数较低,说明植物的固碳能力并不是影响XCO_(2)变化的主要因素。相关研究可为省域范围的大气CO_(2)排放监测与治理提供一定的决策支持。 展开更多
关键词 CO_(2)柱浓度混合比 GOSAT卫星数据 夜光遥感数据 净初级生产力遥感数据
下载PDF
1.57μm IPDA激光雷达云回波信号CO_(2)柱浓度测量研究 被引量:1
7
作者 高雪洁 刘继桥 +6 位作者 樊纯璨 陈橙 杨巨鑫 李世光 谢缘 竹孝鹏 陈卫标 《中国激光》 EI CAS CSCD 北大核心 2023年第23期202-214,共13页
路径积分差分吸收(IPDA)激光雷达可装载于飞机或卫星上探测大范围大气CO_(2)浓度,具有全天时和探测精度高的优势。全球云的平均覆盖率可达60%,因此在激光穿透大气射向地面的探测过程中,除了地面和海洋回波信号,还有很多云层回波信号。... 路径积分差分吸收(IPDA)激光雷达可装载于飞机或卫星上探测大范围大气CO_(2)浓度,具有全天时和探测精度高的优势。全球云的平均覆盖率可达60%,因此在激光穿透大气射向地面的探测过程中,除了地面和海洋回波信号,还有很多云层回波信号。结合机载大气探测激光雷达(ACDL)信号采集特点,针对复杂的云层回波信号,提出一种基于中位数绝对偏差的离群值筛选法提取信号,可分离多层云回波信号及云层与地面回波信号同时存在的信号。分析云信号的探测能力,并利用云层回波信号积分值反演云上CO_(2)柱浓度,结果与原位测量仪测量结果变化趋势一致,二者偏差为2.8μL/L。 展开更多
关键词 遥感 差分吸收激光雷达 二氧化碳柱浓度 云回波信号 差分吸收光学厚度 大气遥感
原文传递
直射太阳光红外吸收光谱技术遥测大气中二氧化碳柱浓度 被引量:2
8
作者 程巳阳 徐亮 +5 位作者 高闽光 金岭 李胜 冯书香 刘建国 刘文清 《物理学报》 SCIE EI CAS CSCD 北大核心 2013年第12期275-280,共6页
大气中二氧化碳浓度持续增高导致环境和气候变化等问题成为人们关注的焦点.为了实时遥测二氧化碳气体柱浓度,研究了一种地基低分辨遥测系统和实时光谱数据反演分析方法.利用该系统在合肥地区进行了连续观测,从太阳吸收光谱中实时获取了... 大气中二氧化碳浓度持续增高导致环境和气候变化等问题成为人们关注的焦点.为了实时遥测二氧化碳气体柱浓度,研究了一种地基低分辨遥测系统和实时光谱数据反演分析方法.利用该系统在合肥地区进行了连续观测,从太阳吸收光谱中实时获取了整层大气透过率.采用逐线积分非线性最小二乘光谱反演算法,从整层大气透过率中反演了二氧化碳柱浓度和氧气柱浓度,并以氧气柱浓度为内标函数获得了二氧化碳干空气柱体积混合比,精密度优于3%.将2012年9月25日12时到15时本系统测量的二氧化碳干空气柱体积混合比均值与此时段过境本站点区域的日本温室气体卫星观测结果进行了比较,两者偏差小于1%.可见,该系统和方法具有很高的精密度和准确度,是一种有效的温室气体观测手段. 展开更多
关键词 红外吸收光谱技术 遥测 二氧化碳 柱浓度
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部