Upscaling hotspots - understanding the variability of critical land-atmosphere fluxes to strengthen climate models

Mange viktige prosesser foregår akkurat der landoverflaten og luften berører hverandre. Å forstå disse prosessene har blitt et vitenskapelig imperativ ettersom menneskelige aktiviteter truer med å endre vær- og klimasystemene våre. Vi trenger derfor bedre prediksjoner for utveksling av klimagasser som metan, CO2 og vanndamp. En kritisk begrensning for vår forståelse av denne klimagassutvekslingen har lenge vært at den varierer betydelig i landskapet. Dette prosjektet vil derfor utvikle og anvende nye verktøy for å kartlegge denne variabiliteten og sammenligne disse observasjonene med klimamodeller, for å redusere usikkerhetene i prediksjonene deres. I prosjektet tar vi i bruk nyutviklet sensorteknologi, statistiske metoder, og databehandlingsmuligheter for å levere høyoppløselige kart over klimagassutveksling i landskapet. For å oppnå dette vil vi konfigurere en drone-sverm med gassanalysatorer som overfører målinger til en dataassimilasjonsalgoritme som, ved hjelp av fluidmekanikk, beregner overflategassutvekslingen. Basert på sanntidsdata mens dronene flyr, kan systemet deretter omplassere individuelle droner for å minimere usikkerheten til overflatekartet. Ambisjonen er å kartlegge store områder som kan sammenlignes med punkter i globale klimamodeller, for å kunne sammenligne klimagassutvekslingen direkte. Målrettede casestudier i prosjektet vil gi ny innsikt i kritiske biogeokjemiske prosesser i nordlige økosystemer, noe som fundamentalt vil redusere usikkerhet og potensielle feil i klimaprognoser. Så langt i prosjektet har vi implementert rammeverket for dataassimileringen som kobler observasjoner og de fluiddynamiske simuleringene for å estimere flukser. Vi har testet dette grundig i eksperimenter med syntetiske data og er i ferd med å skrive et manuskript om dette arbeidet, som ser lovende ut. Vi har også utviklet drone- og sensorhardware betraktelig, og har hatt rundt 50 flyvninger under feltkampanjer på våre målestasjoner. Vi er i ferd med å skrive et manuskript om feltkampanjene for å vise anvendeligheten av metoden og sammenligne den med etablerte målingsteknikker for flukser.

Understanding the interactions between the land surface and the atmosphere has become a scientific imperative as human activities threaten to excite irreversible changes in our weather and climate systems. The urgent need for stronger predictive capabilities for fluxes of greenhouse gases like methane, CO2, and water vapor asks for advancements of in-situ flux measurements and Earth System Models (ESMs), as well as the comparisons between the two. A critical limitation to such data-model comparisons has long been the large spatial flux variability in the scale gap between ESMs and site observations. This project will therefore develop and apply novel tools to map spatial flux variability of crucial greenhouse gas fluxes to bridge the gap between in-situ flux observations and ESMs, thereby facilitating direct model validation, and ultimately reducing the uncertainty in climate model predictions. This project aims to capitalise on recent advances in sensor technology, statistical methods, high performance computing capabilities to build a full-stack solution that can deliver high-resolution maps of greenhouse gas fluxes in the landscape. To this end, we will configure a drone swarm with gas analysers that feeds its measurements to a data assimilation algorithm using large eddy simulations to calculate surface fluxes and their uncertainties. Based on real-time output while the drones are flying, the system can subsequently repositions individual drones to minimise the uncertainty of the surface flux map. The ambition is to map areas comparable to ESM grid-cell size, to be able to upscale and compare greenhouse gas fluxes directly. Targeted case studies in SPOT-ON will give new insights into critical biogeochemical processes of northern high latitude ecosystems, which will fundamentally reduce uncertainties and potential errors in climate projections.