MARC

 008250123s2024        us                              c    eng  d
■001000017161748
■00520250211151439
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382794891
■035    ▼a(MiAaPQ)AAI31295972
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a628
■1001  ▼aSkulovich,  Olya.
■24510▼aConsistent  Long-Term  Observational  Datasets  of  Soil  Moisture  and  Vegetation  Reveal  Trends  and  Variability  in  Soil  Moisture,  Improve  Carbon  Cycle  Models,  and  Constrain  Climate  Models
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a168  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Gentine,  Pierre.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aAccurately  modeling  climate  and  the  impacts  of  climate  change  relies  heavily  on  extensive  observations.  Soil  moisture  is  a  critical  variable  in  this  regard,  as  it  influences  energy  partitioning,  regulates  the  water  cycle,  directly  affects  vegetation  dynamics,  modulates  terrestrial  carbon  sinks  and  sources,  and  overall  plays  a  vital  role  in  the  land-atmosphere  interactions  and  feedback.  This  work  aims  to  improve  the  quality  of  available  surface  soil  moisture  data  and  its  complementary  dataset  --  vegetation  optical  depth    (since  both  are  derived  from  the  same  satellite  measurements).  The  datasets  developed  in  the  scope  of  this  study  fill  the  gap  in  the  available  observational  data  pool  as  unique,  long-term,  consistent  datasets  developed  based  on  remote  sensing  data.  These  datasets  were  created  with  the  help  of  machine  learning  tools,  in  particular,  deep  dense  neural  networks.  The  distinctive  characteristics  of  the  utilized  approach  include  (1)  decomposition  of  the  signal  into  seasonal  and  residual  parts  and  training  a  neural  network  to  match  the  residuals;  (2)  applying  a  special  transfer  learning  training  scheme  that  allows  adjusting  the  features  of  a  trained  neural  network  to  a  slightly  different  input  that  ultimately  permits  merging  the  non-compatible  directly  and  disjoint  satellite  sources  into  a  consistent  dataset;  (3)  using  an  ensemble  of  neural  networks  to  assess  the  data  uncertainty.  Upon  development,  the  datasets  were  profoundly  validated  vs.  in-situ  soil  moisture  measurements  for  soil  moisture  and  biomass  and  photosynthesis-related  datasets  for  vegetation  optical  depth.  The  consistent  and  long-term  nature  of  the  created  datasets  allowed  for  the  study  of  decadal  trends  in  soil  moisture  and  the  potential  drivers  for  its  dynamics.  Finally,  this  study  presents  two  showcases  of  the  datasets  used  for  constraining  models  --  as  data  assimilated  in  a  simple  carbon  cycle  model  and  as  an  emergent  constraint  in  an  ensemble  of  global  climate  models.  The  vegetation  optical  depth  dataset  was  used  in  a  simple  carbon  cycle  model  and  demonstrated  how  it  can  constrain  unobserved  respiration  flux  and  carbon  pools.  In  this  project's  scope,  the  role  of  information  content,  data  quality,  and  local  conditions  is  assessed.  The  soil  moisture  dataset  is  used  to  constrain  global  climate  models'  projections  of  future  soil  moisture  change  by  constraining  the  past  soil  moisture  change  range.  Altogether,  this  study  proposes  a  robust  methodology  for  merging  data  from  different  sources  into  a  consistent  long-term  dataset  (provided  that  at  least  a  short  overlap  in  data  exists  for  transfer  learning).  The  analysis  of  the  soil  moisture  dataset  reveals  that  the  regions  of  drying  and  wetting  dynamics  exist  globally  and  can  be  identified  with  statistically  significant  trends  in  soil  moisture.  The  dynamics  are  studied  seasonally,  revealing  the  contradicting  trends  in  soil  moisture  in  some  regions  (for  example,  in  Europe,  wetting  in  spring  and  drying  in  summer)  and  persistent  trends  throughout  the  year  for  others  (for  example,  drying  in  the  Mediterranean).  Similarly,  the  local  drivers  of  the  soil  moisture  change  are  established.  The  soil  moisture  change  is  mainly  driven  by  variations  in  precipitation  for  dry  regions  and  in  temperature  in  wet  regions  with  the  rising  role  of  vegetation  dynamics,  especially  in  high  latitudes.  Finally,  the  vegetation  optical  depth  data  has  proven  its  high  potential  in  constraining  respiration  flux  and  carbon  pools,  significantly  improving  the  carbon  cycle  model  predictions  in  the  regions  subjected  to  interannual  variability  in  meteorological  forcing  conditions  and  vegetation  response.
■590    ▼aSchool  code:  0054.
■650  4▼aEnvironmental  engineering
■650  4▼aGeophysics
■650  4▼aRemote  sensing
■650  4▼aClimate  change
■650  4▼aMeteorology
■653    ▼aCarbon  cycle
■653    ▼aData  assimilation
■653    ▼aDataset
■653    ▼aMachine  learning
■653    ▼aSoil  moisture
■690    ▼a0775
■690    ▼a0404
■690    ▼a0557
■690    ▼a0799
■690    ▼a0373
■71020▼aColumbia  University▼bEarth  and  Environmental  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161748▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서