Dimension reduction approaches for atmospheric remote sensing of greenhouse gases

Show simple item record

dc.contributor Helsingin yliopisto, matemaattis-luonnontieteellinen tiedekunta fi
dc.contributor Helsingfors universitet, matematisk-naturvetenskapliga fakulteten sv
dc.contributor University of Helsinki, Faculty of Science en
dc.contributor Matematiikan ja tilastotieteen tohtoriohjelma fi
dc.contributor Doktorandprogrammet i matematik och statistik sv
dc.contributor Doctoral Programme in Mathematics and Statistics en
dc.contributor.author Lamminpää, Otto
dc.date.accessioned 2020-06-08T07:34:18Z
dc.date.available 2020-06-15
dc.date.available 2020-06-08T07:34:18Z
dc.date.issued 2020-06-25
dc.identifier.uri URN:ISBN:978-952-336-122-5
dc.identifier.uri http://hdl.handle.net/10138/315807
dc.description.abstract Carbon dioxide (CO2) and methane (CH4) are two most significant anthropogenic greenhouse gases contributing to climate change and global warming. Indirect remote sensing measurements of atmospheric concentrations of these gases are crucial for monitoring man-made emissions and understanding their effects and related atmospheric processes. The reliability of these studies depends largely on robust uncertainty quantification of the measurements, which provides rigorous error estimates and confidence intervals for all results. The main goal of this work is to develop and implement rigorous, robust and computationally efficient means of uncertainty quantification for atmospheric remote sensing of greenhouse gases. We consider both CO2 measurements by NASA’s Orbiting Carbon Observatory 2 (OCO-2) and CH4 measurements by Sodankylä Arctic Space Center’s Fourier Transform Spectrometer (FTS), the latter being studied from the perspectives of both individual measurements, and the entire time series from 2009-2018. Our approach leverages recent mathematical results on dimension reduction to produce novel algorithms that are a step towards thorough and efficient operational uncertainty quantification in the field of atmospheric remote sensing. Mathematically, the process of inferring gas concentrations from indirect measurements is an ill-posed inverse problem, meaning that a well-defined solution doesn't exist without proper regularization. Bayesian approach utilizes probability theory to provide a regularized solution to the inverse problem as a posterior probability distribution. The posterior distribution is conventionally approximated using a Gaussian distribution, and results are reported as the mean of the distribution as a point estimate, and the corresponding variance as a measure of uncertainty. In reality, due to non-linear physics models used in the computations, the posterior is not well approximated by a Gaussian distribution, and ignoring its actual shape can lead to unpredictable errors and inaccuracies in the retrieval. Markov chain Monte Carlo (MCMC) methods offer a robust way to explore the actual properties of posterior distributions, but they tend to be computationally infeasible as the dimension of the state vector increases. In this work, the low intrinsic information content of remote sensing measurements is exploited to implement the Likelihood-Informed Subspace (LIS) dimension reduction method, which increases the computational efficiency of MCMC. Novel algorithms using LIS are implemented to abovementioned atmospheric CH4 profile and column-averaged CO2 concentration inverse problems. en
dc.description.abstract Hiilidioksidi (CO2) ja metaani (CH4) ovat merkittävimmät ihmisperäiset kasvihuonekaasut, joilla molemmilla on huomattava vaikutus ilmastonmuutokseen ja ilmakehän lämpenemiseen. Näiden kaasujen pitoisuuksien epäsuorat kaukokartoitusmittaukset ovat oleellinen osa ihmisperäisten päästöjen kehityksen seurannassa. Näitä mittauksia tarvitaan myös arvioitaessa kasvihuonekaasujen vaikutusta ilmakehän prosesseihin. Edellämainitun tutkimuksen luotettavuus perustuu suurilta osin mittausten epävarmuuden arvioinnin paikkansapitävyyteen, minkä takaamiseksi käytetään korkeatasoista epävarmuusanalyysiä. Tämän väitöskirjatyön tavoitteena on kehittää ja ottaa käyttöön luotettavia ja laskennallisesti tehokkaita epävarmuusanalyysimenetelmiä sovellettuna kasvihuonekaasujen kaukokartoitukseen. Kehitetyt menetelmät perustuvat matemaattisesti käänteisongelmien teoriaan ja todennäköisyysteorian sovelluksiin. Käytämme erityisesti informaatioteoreettisia työkaluja pienentääksemme käänteisongelman ulottuvuutta. Tämä johtaa laskennalliseen ongelmaan, joka on huomattavasti nopeampi ratkaista. Työn sovelluskohteita ovat Nasan Orbiting Carbon Observatory 2 -satelliitin hiilidioksidipitoisuusmittaukset sekä Sodankylän Arktisessa Avaruuskeskuksessa sijaitsevan spektrometrin mittaamat metaanipitoisuudet. Jälkimmäisessä keskitymme sekä yksittäisiin mittauksiin että koko aikasarjan tutkimiseen ajalta 2009–2018. Kehitetyt menetelmät toimivat erittäin hyvin käsitellyissä sovelluksissa luoden pohjaa uusille operatiivisille epävarmuusanalyysialgoritmeille. fi
dc.format.mimetype application/pdf
dc.language.iso en
dc.publisher Helsingin yliopisto fi
dc.publisher Helsingfors universitet sv
dc.publisher University of Helsinki en
dc.relation.isformatof URN:ISBN:978-952-336-121-8
dc.relation.isformatof FMI Contributions 172
dc.rights Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty. fi
dc.rights This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited. en
dc.rights Publikationen är skyddad av upphovsrätten. Den får läsas och skrivas ut för personligt bruk. Användning i kommersiellt syfte är förbjuden. sv
dc.subject matematiikka
dc.title Dimension reduction approaches for atmospheric remote sensing of greenhouse gases en
dc.type.ontasot Väitöskirja (artikkeli) fi
dc.type.ontasot Doctoral dissertation (article-based) en
dc.type.ontasot Doktorsavhandling (sammanläggning) sv
dc.ths Laine, Marko
dc.ths Tamminen, Johanna
dc.ths Siltanen, Samuli
dc.opn Eriksson, Patrick
dc.type.dcmitype Text

Files in this item

Total number of downloads: Loading...

Files Size Format View
dimensio.pdf 21.19Mb PDF View/Open

This item appears in the following Collection(s)

Show simple item record