MARC

 008260126s2025        us                              c    eng  d
■001000017360198
■00520260202105321
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798297663879
■035    ▼a(MiAaPQ)AAI32289530
■035    ▼a(MiAaPQ)PennState20564vqs5271
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a000
■1001  ▼aSapkota,  Vikrant.
■24510▼aLeveraging  Historical  Observational  Data  and  Climate  Models  to  Understand  Uncertainties  in  Global  Climate  Diagnostics  and  Regional  Climate  Impacts
■260    ▼a[Sl]▼bThe  Pennsylvania  State  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a142  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Forest,  Chris  E.
■5021  ▼aThesis  (Ph.D.)--The  Pennsylvania  State  University,  2025.
■520    ▼aIn  this  dissertation,  we  examine  uncertainties  in  the  climate  system  by  investigating  both  global  climate  diagnostics  and  regional  climate  impacts  by  leveraging  historical  observational  data  and  climate  models.  At  the  global  scale,  we  quantify  uncertainties  in  two  different  diagnostics-Equilibrium  Climate  Sensitivity  (ECS)  and  Transient  Climate  Response  (TCR).  These  global  diagnostics  are  affected  by  the  uncertainties  in  the  historical  observational  datasets.In  Chapter  2,  we  study  observational  datasets  from  four  different  data  centers  and  quantify  how  their  structural  differences  translate  into  differences  in  ECS  and  TCR.  We  use  a  model-observation  comparison  framework  to  estimate  these  climate  metrics  using  the  MIT  Earth  System  Model  (MESM).  We  find  that  differences  among  datasets  can  influence  median  estimates  up  to  0.44  °C  for  ECS.  We  assess  the  sensitivity  of  observational  datasets  to  how  they  are  grouped  and  observe  that  using  products  sharing  identical  Sea  Surface  Temperatures  (SST)  introduce  discernible  biases  in  climate  sensitivity  estimates.In  Chapter  3,  we  extend  the  analysis  to  recently  updated  observational  datasets.  The  data  centers  now  provide  estimates  of  uncertainty  within  their  temperature  datasets  (intra-observational  uncertainty  for  their  own  methodology).  Two  additional  sensitivity  analyses  are  performed,  one  examining  National  Oceanic  and  Atmospheric  Administration  (NOAA)'s  100-member  ensembles  separating  land  and  ocean  uncertainties,  and  another  analyzing  Hadley  Centre  Climatic  Research  Unit  Temperature  series  version  5  (HadCRUT5)'s  200-member  ensembles  with  and  without  spatial  infilling.  We  find  that  intra-observational  dataset  uncertainties  are  four  times  larger  than  inter-observational  dataset  uncertainties,  and  that  land  surface  air  temperature  uncertainties  contribute  seven  times  more  to  climate  sensitivity  metrics  than  sea  surface  temperature  uncertainties.  HadCRUT5's  ensembles  demonstrate  that  addressing  coverage  gaps  through  spatial  infilling  increases  median  climate  sensitivity  estimates  by  0.2  °C.In  Chapter  4,  we  analyze  the  climate  impacts  of  historical  afforestation  in  the  MidAtlantic  region  of  the  United  States.  The  Mid-Atlantic  region  experienced  progressive  afforestation  as  agriculture  declined  throughout  the  20  th  century,  affecting  both  carbon  sequestration  and  surface  radiation  balance.  We  found  that  afforestation  lowered  surface  albedo  by  1.5%  during  the  highest  conversion  period  (1920-1930).  Forest  growth  enhanced  carbon  sequestration,  with  regional  gross  primary  productivity  in  the  Mid-Atlantic  Region  increasing  from  5.0  to  6.5  g  C  m  −2  day  −1  between  1900-2000.  By  translating  both  effects  into  common  units  using  the  radiative  forcing  equivalent  framework,  we  determined  that  14%  of  carbon  sequestration  (6.0  Gt  CO  2)  were  offset  by  albedo-related  warming  (0.8  Gt  CO  2-eq).
■590    ▼aSchool  code:  0176.
■650  4▼aVegetation
■650  4▼aAtmosphere
■650  4▼aCarbon
■650  4▼aEarth
■650  4▼aAerosols
■650  4▼aHeat
■650  4▼aProbability  distribution
■650  4▼aClimate  science
■650  4▼aRadiation
■650  4▼aClimate  change
■650  4▼aStatistics
■690    ▼a0404
■690    ▼a0463
■71020▼aThe  Pennsylvania  State  University.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0176
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360198▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서