利用MODIS和ERA5陆地表面温度数据评估过去几十年全球和区域土地变暖趋势

利用MODIS和ERA5陆地表面温度数据评估过去几十年全球和区域土地变暖趋势

文章主旨

     近几十年来,全球地表温度不断创新高,给世界各地的社会和生态系统带来了越来越多的环境挑战。许多研究已经记录了20世纪的全球变暖率,然而,21世纪最近几十年的变暖率对于理解正在发生的气候变化更为重要。分析温度趋势需要具有高空间分辨率和广泛地理覆盖范围的数据,以便分析区域范围内的趋势和变化。来自NASA MODIS的地表温度数据,全球分辨率为0.05。欧洲中期天气预报中心(ECMWF)ERA5-全球分辨率为0.1的陆地再分析。在这项研究中,我们分析了基于遥感的MODIS数据,并估计2001-2020年全球、大陆和像素尺度的地表温度变化率,并指出了统计意义。基于模型的ERA5陆地数据也进行了并行分析,将分析期延长至1981年。这两个独立来源的数据集,一个来自大气上方的卫星,另一个来自地表建模和观测,显示产生了高度一致的结果。结果表明,尽管时间长度较短,但2001-2020年较短时期的趋势在空间上与1981-2020年较长时期的趋势一致。在2001-2020年期间,我们发现全球平均地表温度变化率为0.26-0.34℃不同地区的变暖率有很大差异。北极、欧洲和俄罗斯在这两个数据集中都显示出统计上显著的变暖。尤其是北极地区,其变暖速度是全球平均水平的2.5-2.8倍,1981年至2020年40年间的数据表明,几乎所有大陆或大区域的变暖都在加速。最值得注意的是,这两个独立的数据集都表明,北极永久冻土区在21世纪初的升温速度是世界上最高的,在某些地区达到了>2℃每十年。

数据及方法

(1)MODIS LST数据集:使用MODIS产品MOD11C3 v006三级数据,该数据由NASA的陆地过程分布式主动档案中心(LP DAAC)(MODIS)发布,用于MODIS版本的陆地表面温度。MOD11C3产品中的LST&E值是通过对MOD11C1每日文件对应月份的值进行合成和平均而得出的。

(2)ERA5 Land SKT数据集:使用哥白尼气候变化服务公司(C3S)气候数据存储(CDS)(ECMWF)发布的ERA5陆地产品-SKT数据。SKT是满足表面能量平衡所需的理论温度。它代表最上层表面层的温度,该层没有热容,因此可以对表面通量的变化作出响应。对每月的SKT数据进行平均,得出年度平均SKT。

(3)温度变化率:有各种各样的统计方法可以用来研究温度趋势。例如,BFAST和Greenbrown是可以消除季节变化并识别温度时间序列中的温度断点或异常的方法。研究的目的是了解过去几十年全球陆地区域温度的总体趋势,在整个研究过程中,采用简单线性回归估计温度变化率。

【注释:研究将趋势分析(slope)定义为温度变化率,单位为°C/decade。p值用于确定线性回归的统计显著性。将p值的alpha水平设为0.05,在此水平以下,由随机机会引起的回归温度变化率<5%,因此具有统计学意义。r平方衡量线性回归模型的拟合优度,表示模型解释的方差的百分比。】

(4)陆地区域分类:基于RECCAP项目中定义的土地区域,在本研究中将陆地块划分为9个区域,如图1所示。对于9个陆地区域和20年的每一个区域,年平均MODIS和era5 -陆地温度以各自区域内所有像元的面积加权平均值计算,并分别通过回归分析每个区域的温度变化率。

重要图表

注解:2001-2020年全球陆地表面温度。(a)来自MODIS LST。(b) ERA5-Land SKT。(c) 20年MODIS平均LST与era5 -陆地平均SKT之差,为前者减去后者。(d)以绝对值显示的面板(c)。(e) 2001-2020年MODIS和ERA5-Land之间的均方根误差。(f) 2001-2020年MODIS与ERA5-Land的相关系数。

注解:2001-2020年北极月平均陆地温度(MODIS LST和era5 -陆地SKT)和逐月温度变化率。

注解:ERA5-Land的两个30年和一个40年北极气温趋势。误差条表示从每个月的变化率回归得到的95%置信区间的±2标准误差。

注解:2001-2020年MODIS LST和era5 -陆地SKT地表温度变化率(°C/十年)。

注解:2001-2020年全球气温回归分析的p值分布。

注解:1981-2020年陆地表面温度变化率(°C/十年)。

重要结论

(1)对全球、大陆和像素尺度的变暖趋势进行了检验,p值具有显著性。研究发现,各大洲和大片地区以显著不同的速度变暖,其中北极、欧洲和俄罗斯是全球变暖最快的地区。

(2)此外,利用era5 -陆地数据,对不同时间段的温度变化率进行比较。表明在1981-2020年的40年期间,北极和大多数大陆的变暖正在加速。

(3)在地理上,2001-2020年期间地球上变暖最快的土地被发现与环极地地区的苔原生物群一致。

  • 1
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
要在R中利用MODIS数据和像元二分模型计算植被覆盖度,可以按照以下步骤进行: 1. 下载MODIS数据,可以使用MODIS数据下载工具,如MODIS Reprojection Tool (MRT)或MODIS Download Script。下载的数据应该是以HDF格式存储的。 2. 安装并加载raster和MODIS包,以便在R中进行数据处理和分析。 3. 利用raster包中的brick()函数将下载的HDF格式数据转换为raster格式,并加载到R中。例如: ```R library(raster) library(MODIS) #设置下载路径和文件名 modis_path <- "path/to/modis/data" modis_file <- "MOD13Q1.A2001001.h19v04.006.2015130075102.hdf" #下载MODIS数据 runGdal("MOD13Q1", begin='2001-01-01', end='2001-01-01', tileH='h19v04', outDir=modis_path, outProj='+proj=longlat +datum=WGS84', verbose=T) #将HDF格式文件转换为raster格式 modis_raster <- brick(file.path(modis_path, modis_file)) ``` 4. 对MODIS数据进行预处理,包括云掩膜、地表温度计算等。可以使用MODIS包中的函数,如MODIS_process()和MODIS_LST()。例如: ```R #云掩膜 cloud_mask <- MODIS_process(modis_raster, SDSstring='250.0', scale_factor = 0.0001) #计算地表温度 LST <- MODIS_LST(cloud_mask, emissivity = 0.95, method = 'MOD11A2', scale_factor = 0.02) ``` 5. 利用像元二分模型计算植被覆盖度。可以使用像元二分模型的R包,如MixSIAR和SIAR。例如,可以使用MixSIAR包中的mixsiar()函数进行计算: ```R library(MixSIAR) #将MODIS数据转换为MixSIAR格式 LST_mixsiar <- rasterToMixSIAR(LST) #计算植被覆盖度 veg_cover <- mixsiar(LST_mixsiar) ``` 6. 可以将计算结果可视化,以便更好地理解和分析。可以使用raster包中的plot()函数或ggplot2包中的ggplot()函数进行可视化。例如: ```R #使用raster包进行可视化 plot(veg_cover) #使用ggplot2包进行可视化 library(ggplot2) ggplot(data.frame(veg_cover), aes(x = x, y = y, fill = value)) + geom_raster() + scale_fill_gradient(low = "white", high = "darkgreen") + theme_void() ``` 以上是利用MODIS数据和像元二分模型在R中计算植被覆盖度的基本步骤。具体的数据处理和分析步骤可能会因数据类型和分析目的而异。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值