008240612s2023      us  |||||||||||||||c||eng  d
■001000016932272
■00520240214100436
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379612740
■035    ▼a(MiAaPQ)AAI30490789
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a628
■1001  ▼aNesser,  Hannah  Obermiller.▼0(orcid)0000-0001-6778-037X
■24510▼aHigh-Resolution  Quantification  of  Methane  Emissions  From  Satellites▼h[electronic  resource]
■260    ▼a[S.l.]:▼bHarvard  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(92  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aAdvisor:  Jacob,  Daniel.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aGlobal  high-resolution  observations  of  methane  concentrations  from  satellites  can  improve  our  understanding  of  methane  emissions  through  inverse  analyses,  but  require  understanding  the  information  content  of  observations  that  are  often  heterogeneous  in  time  and  space.  This  work  develops  and  applies  tools  to  use  satellite  observations  to  quantify  continent-scale  methane  emissions  and  the  associated  information  content  at  high  resolution.  Chapter  1  addresses  the  computational  challenge.  Analytical  solution  of  the  inverse  problem  provides  closed-form  characterization  of  the  error  statistics  and  information  content  associated  with  the  optimized  emissions  but  is  computationally  expensive  due  to  the  need  to  construct  the  Jacobian  matrix  that  relates  emissions  to  atmospheric  concentrations.  We  propose  two  methods  to  reduce  this  cost.  The  reduced-dimension  method  generates  a  multiscale  grid  that  preserves  high  resolution  where  the  satellite  provides  information  content  and  goes  to  coarser  resolution  elsewhere.  The  reduced-rank  method  constructs  the  Jacobian  matrix  along  the  dominant  directions  of  information  content  so  that  the  inversion  optimizes  emissions  where  the  satellite  provides  a  constraint  and  defaults  to  the  initial  emission  estimate  elsewhere.  We  apply  these  methods  to  an  inversion  of  Greenhouse  Gases  Observing  Satellite  (GOSAT)  methane  data  with  augmented  information  content  over  North  America  in  July  2009,  demonstrating  their  ability  to  reproduce  the  standard  solution  at  a  fraction  of  the  computational  cost.  Chapter  2  applies  the  reduced-rank  Jacobian  method  to  an  inversion  of  observations  from  the  Tropospheric  Monitoring  Instrument  (TROPOMI)  to  infer  methane  emissions  at  0.25°  x  0.3125°  (≈25  x  25  km2)  resolution  over  the  contiguous  U.S.  (CONUS)  for  2019.  Our  optimal  (posterior)  estimate  of  anthropogenic  emissions  in  CONUS  is  30.9  (30.0  -  31.8)  Tg  a−1,  where  the  values  in  parentheses  give  the  spread  of  an  eight-member  inversion  ensemble.  This  is  a  13%  increase  from  the  2023  GHGI  estimate  for  CONUS  of  27.3  (24.6  -  30.0)  Tg  a−1  for  2019,  where  the  values  in  parentheses  give  the  95%  confidence  interval.  Relative  to  the  GHGI,  we  find  the  largest  increase  51%  for  landfills.  We  find  a  large  median  77%  increase  in  landfill  methane  emission  estimates  reported  by  73  facilities  to  the  EPA's  Greenhouse  Gas  Reporting  Program  (GHGRP),  a  key  data  source  for  the  GHGI,  which  we  attribute  to  overestimated  recovery  efficiencies  at  landfill  gas  recovery  facilities  and  to  underestimated  emissions  from  operational  changes  and  leaks.  We  also  quantify  emissions  in  the  48  states  in  CONUS,  which  we  compare  to  the  GHGI's  new  state-level  inventories.  Our  posterior  emissions  are  on  average  34%  larger  than  the  2022  GHGI  in  the  largest  10  methane-producing  states,  with  the  biggest  upward  adjustments  in  states  with  large  oil  and  gas  emissions.  We  finally  calculate  emissions  for  95  geographically  diverse  urban  areas  in  CONUS,  where  we  find  posterior  emissions  of  6.0  (5.4  -  6.7)  Tg  a−1,  equivalent  to  a  fifth  of  CONUS  anthropogenic  emissions.  Urban  area  emissions  increase  on  average  by  39  (27  -  52)  %  compared  to  a  spatially  allocated  version  of  the  2023  GHGI.  We  attribute  the  discrepancy  to  underestimated  landfill  and  gas  distribution  emissions.  The  large  upward  corrections  to  the  GHGI  at  all  scales  found  here  may  present  challenges  for  climate  policies  and  goals,  many  of  which  target  methane  emission  reductions.  More  generally,  this  work  demonstrates  the  potential  to  quantify  high  resolution  greenhouse  gas  fluxes  on  continent  and  global  scales,  improving  our  ability  to  mitigate  emissions.
■590    ▼aSchool  code:  0084.
■650  4▼aEnvironmental  engineering.
■650  4▼aAtmospheric  chemistry.
■650  4▼aAtmospheric  sciences.
■650  4▼aEnvironmental  science.
■653    ▼aMethane  emissions
■653    ▼aHigh-resolution
■653    ▼aInversion
■653    ▼aNorth  America
■653    ▼aSatellites
■690    ▼a0775
■690    ▼a0371
■690    ▼a0725
■690    ▼a0768
■71020▼aHarvard  University▼bEngineering  and  Applied  Sciences  -  Engineering  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16932272▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024