Blog

Jul 16, 2023

Annahmen zum Wärmefluss tragen dazu bei, dass die Rauchinjektion von Waldbränden in die freie Troposphäre überschätzt wird

Communications Earth & Environment Band 3, Artikelnummer: 236 (2022) Diesen Artikel zitieren 1719 Zugriffe 3 Zitate 5 Details zu altmetrischen Metriken Injektionen von Rauchfahnen von Waldbränden ins Freie

Communications Earth & Environment Band 3, Artikelnummer: 236 (2022) Diesen Artikel zitieren

1719 Zugriffe

3 Zitate

5 Altmetrisch

Details zu den Metriken

Injektionen von Rauchwolken aus Waldbränden in die freie Troposphäre wirken sich negativ auf die Luftqualität aus, Modellprognosen für Injektionen sind jedoch dürftig. Hier verwenden wir Flugzeugbeobachtungen, die während der Waldbrände im Westen der USA im Jahr 2019 (FIREX-AQ) gewonnen wurden, um eine häufig verwendete Parametrisierung des Rauchfahnenanstiegs in zwei atmosphärischen Chemietransportmodellen (WRF-Chem und HRRR-Smoke) zu bewerten. Beobachtungen zeigen, dass es bei 35 % der Rauchwolken zu Rauchinjektionen in die freie Troposphäre kommt, während die Modelle 59–95 % vorhersagen, was in den Simulationen auf falsche Injektionen hindeutet. Falsche Injektionen waren damit verbunden, dass beide Modelle den Feuerwärmefluss und die Geländehöhe überschätzten und dass WRF-Chem die Höhe der Planetengrenzschicht unterschätzte. Wir schätzen, dass der Strahlungsanteil des Wärmeflusses in Modellen je nach Brennstoffart 0,5 bis 25 Mal größer ist als in Beobachtungen. Die Modellleistung wurde durch die Verwendung beobachteter Wärmeflüsse und Grenzschichthöhen erheblich verbessert. Dies bestätigt, dass Modelle genaue Wärmeflüsse und Grenzschichthöhen benötigen, um Plume-Injektionen korrekt vorherzusagen.

Der Rauch von Waldbränden wirkt sich auf den Strahlungshaushalt der Erde1, die Luftqualität2, die Sicht3 und die menschliche Gesundheit4 aus, indem er die atmosphärische Schadstoffbelastung erhöht. Heftigere Waldbrände und längere Feuersaisons wurden beobachtet und scheinen mit dem anthropogenen Klimawandel in Zusammenhang zu stehen5,6. In künftigen Klimaregimen wird mit einer weiteren Verschlechterung der Luftqualität und Sicht aufgrund von Rauch gerechnet7.

Unter Plume Rise versteht man den vertikalen Transport von heißen Rauchgasen und Partikeln durch die Atmosphäre. Dieser Prozess kann zu Plume-Injektionen führen, bei denen der Rauch die freie Troposphäre erreicht, oder zu Plume-Nichtinjektionen, bei denen der Rauch innerhalb der planetaren Grenzschicht (PBL) eingeschlossen bleibt. Frühere Studien haben gezeigt, dass injizierte Fahnen dazu neigen, Schichten mit Umgebungsstabilität zu besetzen, und dass Fahneninjektionen mit einer hohen Feuerstrahlungsleistung (FRP) und günstigem Feuerwetter verbunden sind8,9,10. Beobachtungen mit dem Multi-Angle Imaging Spectroradiometer (MISR) deuten darauf hin, dass eine Injektion in die freie Troposphäre in 4–12 % der Rauchwolkenspitzen Nordamerikas erfolgt8,9,11,12, und die Daten des Cloud-Aerosol-Lidar mit orthogonaler Polarisation deuten auf diese Injektion hin der gesamten Rauchsäule in die freie Troposphäre entfällt auf 78 % der nordamerikanischen Rauchfahnen10. Der MISR-Prozentsatz kann jedoch aufgrund von Satellitenüberführungen am Morgen (ca. 10:30 Uhr LT für MISR) niedrig sein, wenn sich die Wolken noch nicht vollständig entwickelt haben11. Injizierte Fahnen können mit geringer Verdünnung in Windrichtung befördert werden13 und haben daher tendenziell eher regionale Auswirkungen. Andererseits neigen nicht injizierte Fahnen dazu, aufgrund der effizienteren Abwärtsmischung durch Umgebungs-PBL-Turbulenzen lokalere Auswirkungen zu haben.

Die Parametrisierung des Freitas-Fahnenanstiegs ist ein eindimensionales wolkenauflösendes Modell. Es ist typischerweise in ein dreidimensionales Hostmodell eingebettet, das die Umgebungsumgebung angibt14. Dieses Modell stellt Brände als Oberflächenauftriebsflüsse dar, die von der momentanen Feuergröße, dem konvektiven Wärmefluss und der Brennstoffart abhängen. Dieses Modell übertrifft tendenziell Modelle, die Emissionen einer einzelnen Ebene oder einer festen vertikalen Verteilung zuordnen15,16,17. Das Modell hängt jedoch von Schätzungen der Feuergröße und des Wärmeflusses ab, prognostiziert die Häufigkeit freier troposphärischer Injektionen zu stark und unterschätzt tendenziell den Bereich der beobachteten Fahnenhöhen18,19. Zu den vorgeschlagenen Ursachen für die Mängel des Freitas-Modells gehören Unsicherheiten bei der seitlichen Mitnahme und bei den Eingabeparametern. Die Mitnahme hängt von der Feuergröße ab, daher können Versionen des Freitas-Modells, die variable Feuergrößen ermöglichen, den modellierten Bereich der Fahnenhöhen verbessern15,18. Darüber hinaus verbesserte das explizite Hinzufügen von Entrainment zu einer späteren Version des Modells die Leistung20,21. Unsicherheiten bei den Eingabeparametern, insbesondere der Feuergröße und dem FRP, können durch die Rauchfahne verursacht werden, die die FRP-Ermittlungen verdeckt, durch eine falsche Form oder Größe des Feuers oder durch die Variabilität der Verbrennung je nach Vegetationstyp18,22.

Hier verwenden wir Flugzeug- und Modelldaten aus der NASA-NOAA-Feldkampagne „Fire Influence on Regional to Global Environments and Air Quality“ (FIREX-AQ), um das Freitas-Modell in entwickelten Fahnen zu bewerten. Wir zeigen, dass das Freitas-Modell, das im Modell „Weather Research and Forecasting Coupled with Chemistry“ (WRF-Chem) und im Modell „High Resolution Rapid Refresh Smoke“ (HRRR-Smoke) implementiert ist, die Injektion im Vergleich zu luftgestützten Lidar-Messungen überschätzt. Die Injektion erfolgt in 35 % der beobachteten Rauchfahnen und in 80 % bzw. 95 % der WRF-Chem- und HRRR-Rauchfahnen. Wenn die beobachtete Grenzschichthöhe zur Bewertung der Injektion in beiden Modellen verwendet wird, erfolgt die Injektion in 59 % der WRF-Chem-Fahnen und 72 % der HRRR-Rauchfahnen. Vergleich des Feuerstrahlungsenergieflusses (FRE-Fluss, „Methoden“), der vom Luftsimulator (MASTER) des Moderate Resolution Imaging Spectroradiometer (MODIS)-Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) beobachtet wird, mit den von WRF-Chem und HRRR angenommenen Werten -Smoke zeigt, dass die Modelle die FRE-Flüsse um den Faktor 25 überschätzen (0,55 kWm−2 in den Beobachtungen und 0,29–13,86 kWm−2 in den Modellen). Wenn die WRF-Chem-Gesamtwärmeflüsse reduziert wurden, sodass die Strahlungsanteile mit den beobachteten FRE-Flüssen übereinstimmten, wurde das Auftreten falsch positiver Ergebnisse seltener und eine weitere Verbesserung wurde erreicht, als die WRF-Chem-Empfindlichkeitssimulationen unter Verwendung der beobachteten PBL als Injektionsgrenze ausgewertet wurden. Am stärksten war dieser Effekt bei Waldbränden, bei denen das Freitas-Modell davon ausgeht, dass sie die höchsten Wärmeströme aufweisen14.

Tabelle 1 zeigt das Injektionsverhalten modellierter und beobachteter Rauchfahnenprofile unter Verwendung der beobachteten Höhe der Planetengrenzschicht (PBLH) zur Klassifizierung der Beobachtungen und der modellierten PBLH zur Klassifizierung der Modelle (siehe „Methoden“, Ergänzende Abbildungen 1–51, Ergänzende Tabellen). 1–3). Injektionen treten in 35 % der beobachteten Fälle, 80 % der WRF-Chem-Fälle und 95 % der HRRR-Smoke-Fälle auf. WRF-Chem und HRRR-Smoke haben Genauigkeiten von 0,51 bzw. 0,44. Beide Modelle neigen dazu, beobachtete Injektionen gut zu erfassen, wobei WRF-Chem und HRRR-Smoke echte positive Raten von 0,94 bzw. 1,0 aufweisen. Allerdings weisen WRF-Chem und HRRR-Smoke ebenfalls Falsch-Positiv-Raten von 0,73 bzw. 0,92 auf. Für WRF-Chem werden Fälle, in denen die Fahnen innerhalb des Unsicherheitsbereichs des modellierten PBLH liegen (d. h. Fälle, die ein unterschiedliches Injektionsverhalten zeigen, wenn die modellierten und beobachteten PBLHs zur Bewertung der Injektion verwendet werden, siehe nächster Abschnitt), von der Analyse ausgeschlossen Dann beträgt die Genauigkeit 0,67, die Richtig-Positiv-Rate 1,0 und die Falsch-Positiv-Rate 0,61. Dies verbessert den von WRF-Chem erzielten Fehler bei Verwendung aller Fälle nur geringfügig. Diese Statistiken deuten darauf hin, dass eine Übervorhersage der Injektion zu der hohen True-Positive-Rate und dem Fehlertyp mit geringer Genauigkeit führt, der in beiden Modellen vorhanden ist, was mit früheren Arbeiten übereinstimmt, die die Unsicherheit im Freitas-Modell quantifizierten15,18.

Die Unterschätzung des PBLH ist ein bekanntes Problem beim WRF-Chem-Modell23,24, das dazu führen kann, dass in der richtigen Höhe platzierte Fahnen fälschlicherweise als Injektionen in die freie Troposphäre identifiziert werden. Abbildung 1a und e zeigen die Verzerrung des modellierten PBLH für die Modelle WRF-Chem bzw. HRRR-Smoke (Ergänzungsdaten 1). Bei falsch positiven Fällen neigt WRF-Chem dazu, den PBLH um 500–1000 m zu unterschätzen, und HRRR-Smoke neigt dazu, den PBLH um <500 m zu unterschätzen. Beide Modelle weisen eine große Streuung auf und enthalten sogar Fälle, in denen die Modelle PBLH übervorhersagen und es dennoch zu einer falschen Injektion kommt. Darüber hinaus erfasst das WRF-Chem-Modell Nichtinjektionen für die im Allgemeinen am meisten unterschätzten PBLHs korrekt.

a, e Vergleich des modellierten Transekt-Median-PBLH mit dem beobachteten Transekt-Median-PBLH, b, f durchschnittlicher FRE-Fluss, c, g Savannen- und Grünlandanteil und d, h Geländehöhe. Die rote horizontale Linie bezeichnet die Mediane, die blauen Kästchen die Interquartilsbereiche und die Whiskers den 1,5-fachen Interquartilsbereich. TP, FP und FN sind wie in der Überschrift von Tabelle 1 definiert. a–d beziehen sich auf das WRF-Chem-Modell und e–h beziehen sich auf das HRRR-Smoke-Modell.

Wir führten eine eigenständige Version des Freitas-Fahnenanstiegsschemas basierend auf simulierter Meteorologie für Fälle durch, in denen WRF-Chem den PBLH unterschätzte und HRRR-Smoke ihn genau erfasste, wie durch Überlappung in den Interquartilbereichen der beobachteten und modellierten PBLH-Verteilungen bestimmt (Tabelle 2, Ergänzende Abbildung 52). Es wurde festgestellt, dass die Fahnenhöhe und das Fahneninjektionsverhalten wenig empfindlich auf Schwankungen des PBLH reagieren, die in der zur Steuerung des Modells verwendeten Meteorologie vorhanden sind (ergänzende Abbildung 53, beachten Sie, dass der prozentuale Fehler bei den Fahnenhöhen 8,8 % nicht überschreitet). Dies ermöglicht es uns, das Injektionsverhalten für WRF-Chem anhand des beobachteten PBLH (Tabelle 1) neu zu klassifizieren, da die Spitzenhöhe der Wolke wahrscheinlich ähnlich wäre, wenn WRF-Chem den beobachteten PBLH korrekt reproduzieren würde. Es gibt 12 Fälle, die der Kategorie „richtig negativ“ zugeordnet werden, zwei Fälle, die der Kategorie „falsch positiv“ zugeordnet werden, und einer, der der Kategorie „falsch negativ“ zugeordnet wird. Bei dieser Auswertung erfolgt die Injektion in 59 % der Fälle, was zu einer Genauigkeit von 0,70, einer Richtig-Positiv-Rate von 0,89 und einer Falsch-Positiv-Rate von 0,39 führt, was auf eine bessere Modellleistung hinweist. Daher kommen wir zu dem Schluss, dass bei WRF-Chem Unsicherheiten in der Grenzschicht wahrscheinlich zur Übervorhersage der Injektion beitragen. Als die beobachtete PBLH zur Bewertung des Injektionsverhaltens von HRRR-Smoke verwendet wurde, betrug die Injektionsrate 59 %, die Genauigkeit 0,53, die Richtig-Positiv-Rate 0,82 und die Falsch-Positiv-Rate 0,65. Bei HRRR-Smoke, das ein neueres PBL-Schema (Tabelle 2) verwendet, sind die Unsicherheiten in der Grenzschicht wahrscheinlich geringer und spielen bei der Erzeugung falscher Injektionen eine geringere Rolle.

Abbildung 1 zeigt Verteilungen von drei zusätzlichen Variablen (Ergänzungsdaten 1), die zur Erklärung des Injektionsverhaltens der Modelle WRF-Chem und HRRR-Smoke beitragen können: Durchschnitt der angenommenen FRE-Flüsse des Modells (siehe „Methoden“, 1b, 1f), Modell Kraftstofftyp (1c, 1g) und Geländehöhe (1d, 1h). Da im Modell angenommen wird, dass der FRE-Fluss von der Brennstoffart abhängt, korrelieren der angenommene FRE-Fluss und die Brennstoffart stark miteinander. Weitere Variablen, die eine starke Korrelation zueinander aufweisen, sind die Stabilität der freien Troposphäre und der Grenzschicht sowie die Geländekomplexität und der Wärmefluss im HRR-Smoke-Modell (Ergänzende Abbildungen 54–55). Die übrigen Variablen korrelieren höchstens mäßig miteinander (r2 < 0,46). Boxplots wurden mithilfe von Bootstrapping erstellt, um Stichprobenverzerrungen in Bezug auf einzelne Brände zu vermeiden („Methoden“).

Abbildung 1b und f deuten darauf hin, dass modellierte FRE-Flüsse wahrscheinlich einen starken Beitrag zur Übervorhersage der Injektion durch beide Modelle leisten. WRF-Chem erfasst Nicht-Injektionen korrekt, wenn ein niedrigerer FRE-Fluss vorgeschrieben ist, und überschätzt entweder Injektionen für größere FRE-Flüsse oder erfasst sie. Tatsächlich ist der Unterschied im FRE-Fluss zwischen korrekten Nicht-Injektions- und falschen Injektionsfällen (die in den Beobachtungen das gleiche Nicht-Injektionsverhalten zeigen) statistisch signifikant (p-Wert = 0,042). Während HRRR-Smoke nicht genügend Fälle korrekter Nichteinspritzung für einen aussagekräftigen Vergleich enthielt, geht HRRR-Smoke von ähnlichen FRE-Flüssen für alle Kraftstoffarten aus, und diese Werte sind vergleichbar mit denen, die WRF-Chem für Fälle annimmt, in denen eine falsche Einspritzung vorhergesagt wird. Daher können wir schließen, dass diese hohen Wärmeflüsse auch dazu beitragen, dass HRRR-Rauch Injektionen überschätzt.

Die korrekte Erfassung von Nichtinjektionen erfolgt in WRF-Chem tendenziell für größere Anteile von Savannen und Grasland (Abb. 1c), was konsistent ist, da WRF-Chem geringere Wärmeflüsse für Savannen und Grasland als für Wälder vorschreibt („Methoden“). Ebenso besteht für HRRR-Rauch kein klarer Zusammenhang hinsichtlich der Brennstoffart, da die für alle Brennstoffe angenommenen FRE-Flüsse ähnlich sind und im Bereich der von WRF-Chem für Wälder angenommenen Werte liegen. Dies weist darauf hin, dass die von den Modellen („Methoden“) angenommenen brennstoffabhängigen Wärmeflüsse, insbesondere diejenigen, die Waldbrennstoffen in WRF-Chem und allen Brennstoffen in HRRR-Smoke entsprechen, hoch sein könnten und zu einer Übervorhersage der Einspritzung führen könnten. Andere Variablen wie Tageszeit, statische Stabilität und Geländekomplexität wurden auf ihre Rolle beim modellierten Injektionsverhalten untersucht, aber keine davon erwies sich als eindeutig erklärende Variable (Ergänzende Abbildungen 54–55).

Abbildung 1d und h zeigt, dass falsche Injektionen bei höheren Geländehöhen auftreten als korrekte Injektionen und dass dieser Unterschied für beide Modelle statistisch signifikant ist (p-Werte = 0,031 und 0,015). Darüber hinaus zeigt Abb. 1d, dass in höheren Lagen falsche Injektionen auftreten als korrekte Nichtinjektionen. Dies bedeutet wahrscheinlich, dass die Eingangswärmeflüsse oder die Meteorologie des Plume-Anstiegsschemas in Gebieten mit höherem (Abb. 1d, h) und komplexerem (Ergänzende Abb. 54b, 55b) Gelände unsicherer sind. Das Fretias-Modell ist außerdem insofern eingeschränkt, als es eindimensional ist und daher keine Interaktionen zwischen benachbarten Modellspalten simulieren kann.

Abbildung 2a zeigt eine Beobachtungsbeschränkung für den FRE-Fluss. Streupunkte zeigen Beobachtungen des Gesamt-FRP gegenüber der Flammenbrandfläche des MASTER-Instruments für jeden Transekt und Formen geben die Kraftstoffkategorie der Kampagne für jede MASTER-Überführung an („Methoden“, Ergänzende Daten 1). Farbige Bereiche kennzeichnen die von den Modellen getroffenen FRE-Flussannahmen. Die aktive Brandfläche wird nur für brennende und gesättigte Pixel berechnet, wobei davon ausgegangen wird, dass diese Brandphasen hauptsächlich zur Flammeninjektion beitragen14. Der FRP wird für alle Kategorien berechnet, da er von Satelliten beobachtet wird. Diagramme, die die Feuergröße und den FRP für verschiedene Verbrennungsphasen zeigen, zeigen ähnliche qualitative Ergebnisse (ergänzende Abbildung 56). MASTER, WRF-Chem und HRRR-Smoke verfolgen alle Wärmeströme etwas unterschiedlich, daher wurden alle zum leichteren Vergleich in FRE-Flüsse umgewandelt (siehe „Methoden“).

ein Streudiagramm des gesamten FRP sowie der brennenden und gesättigten Brandfläche von MASTER für jede Brandüberführung (farbige Rauten, Sterne, Dreiecke). Die schwarze Linie ist eine lineare Anpassung an die MASTER-Punkte der Form y = mx. Farbige Balken stellen die Bereiche des FRE-Flusses dar, die auf den Modellannahmen für den konvektiven Wärmefluss und der Unsicherheit bei der Umrechnung zwischen konvektivem und strahlendem Wärmefluss basieren (siehe „Methoden“). Der FRE-Fluss nimmt nach links oben zu. Formen repräsentieren die Kraftstoffkategorie der Kampagne. Die Farben von Rauten, Sternen und Dreiecken stellen den Bruchteilsbeitrag der Flammenverbrennung (einschließlich gesättigter Pixel) zum gesamten FRP dar. Andere Tafeln zeigen Box- und Whisker-Plots von b beobachtetem FRP und c beobachtetem FRP-Anteil aufgrund von Flammenverbrennung, gruppiert nach beobachtetem Einspritzverhalten. Box- und Whisker-Elemente sind wie in der Bildunterschrift von Abb. 1.

Abbildung 2a zeigt, dass die beste Anpassung für den beobachteten FRE-Fluss (0,55 kWm-2) im Bereich der FRE-Flüsse der WRF-Chem-Savanne (0,40–3,09 kWm-2) und des Graslandes (0,29–0,57 kWm-2) liegt nicht im Bereich des WRF-Chem Wald-FRE-Flusses (2,69–13,86 kWm−2) oder eines angenommenen HRRR-Rauch-FRE-Flusses (3,44–4,76 kWm−2). Anders ausgedrückt gehen WRF-Chem und HRRR-Smoke von FRE-Flüssen aus, die dem 0,5- bis 25-fachen bzw. dem 6- bis 9-fachen des durchschnittlichen beobachteten FRE-Flusses entsprechen. Dies steht im Einklang mit der generell fehlenden Überlappung zwischen den Streupunkten und den gelben und orangefarbenen Balken in Abb. 2a. Dies liefert somit Beobachtungsbeweise für die Hypothese, dass die angenommenen Wärmeflüsse, die im Freitas-Modell verwendet werden, insbesondere für forstwirtschaftliche Brennstoffe, wahrscheinlich zu groß sind. Da diese Wärmeflüsse direkt zur Berechnung des anfänglichen Auftriebs der Fahnen verwendet werden, führt dies zu simulierten Fahnen, die leichter in die freie Troposphäre gehoben werden können.

Ein Vorbehalt dieses Ergebnisses besteht darin, dass ein Bruchteil der von MASTER abgerufenen brennenden Pixel als gesättigt gekennzeichnet sind und daher FRP unterschätzt werden könnte, was sich auf unsere Schlussfolgerungen auswirkt. Ein Vergleich von MASTER mit Satellitenbeobachtungen (die aufgrund der größeren Pixelfläche weniger anfällig für Sättigung sind) zeigt, dass MASTER tendenziell FRP-Schätzungen liefert, die zwischen MODIS (Steigung = 1,65) und der Visible Infrarot Imaging Radiometer Suite (VIIRS, Steigung = 0,79) liegen ( Ergänzende Abbildung 57). Wenn wir davon ausgehen, dass die VIIRS-Abrufe der Realität näher kommen, können wir die Steigung des Streudiagramms verwenden, um die MASTER-Abrufe zu korrigieren, was einen durchschnittlichen beobachteten FRE-Fluss von 0,7 kWm−2 ergibt, der unsere Ergebnisse nicht ändert. Daher gehen wir nicht davon aus, dass die Sättigung von MASTER unser Endergebnis in großem Maße beeinflussen wird.

Um die Treiber der Variabilität des FRE-Flusses zu untersuchen, wurde der FRE-Fluss für MASTER-Punkte berechnet, gruppiert nach der dominanten Kraftstoffkategorie der Kampagne (siehe „Methoden“) und nach dem brennenden Anteil von FRP. Dies führte zu einem FRE-Fluss von 0,55 kWm-2 für Waldbrände, 0,51 kWm-2 für Savannenbrände, 0,59 kWm-2 für Graslandbrände, 0,56 kWm-2 für >85 % Flammenanteil und 0,36 kWm-2 für <85 % flammende Fraktion. Der FRE-Fluss ist im Allgemeinen über die Brennstoffart hinweg konstant und scheint mit der Verbrennungsphase des Feuers stärker zu variieren. Mit anderen Worten: Unter den richtigen Ausbreitungs- und Brennstoffverbrauchsbedingungen können Wald- und Grasbrände mit der gleichen Intensität brennen, was mit früheren Studien übereinstimmt25. Daher sollten die Wärmeströme, die zum Antrieb des Fretias-Modells verwendet werden, klein, über alle Brennstoffarten hinweg relativ konstant und möglicherweise stärker mit dem Brandwetter verknüpft sein.

Abbildung 2a unterstützt die Idee, dass Modellannahmen zum Wärmefluss zu viel Auftriebsenergie pro Flächeneinheit zuweisen, was wahrscheinlich der Hauptgrund für die Übervorhersage der Injektion ist. Die Übervorhersage tritt auch dann auf, wenn in WRF-Chem von einer kleinen Feuergröße ausgegangen wird (0,25 km2 pro Gitterzelle), was die Annahme weiter stützt, dass die Modelle zu viel Feuerenergie pro Flächeneinheit annehmen. Darüber hinaus neigt WRF-Chem dazu, Nichtinjektionsereignisse bei Bränden, die von Gras und Savannen dominiert werden, korrekt zu identifizieren (Abb. 1b), da diese Brände den niedrigsten modellierten Wärmefluss aufweisen. Der in HRRR-Smoke für alle Brennstoffarten verwendete FRE-Fluss liegt im Allgemeinen im Bereich der in Ref. angegebenen FRE-Flüsse für Wälder. 14, was damit übereinstimmt, dass HRRR-Smoke unabhängig vom Kraftstofftyp eine hohe Rate an Fehleinspritzungen aufweist (Tabelle 1). Die interne Berechnung des gesamten Wärmeflusses aus dem FRE-Fluss durch HRRR-Smoke (siehe „Methoden“) verhindert wahrscheinlich, dass die Spitzenhöhen der Fahnen unphysikalisch hoch sind. Daher sollten die zum Antrieb des Fretias-Modells verwendeten Wärmeflüsse aktualisiert werden, um mit den kleineren beobachteten FRE-Flüssen übereinzustimmen. Die lineare Beziehung zwischen FRP und verbrannter Fläche (schwarze durchgezogene Linie) ist über mehrere Größenordnungen hinweg konsistent und kann zur Aktualisierung des HRRR-Rauch-Schemas verwendet werden, bei dem die verbrannte Fläche eine Funktion von FRP ist.

Abbildung 2b zeigt das beobachtete Injektionsverhalten als Funktion des beobachteten FRP und zeigt einen nahezu signifikanten Trend (p-Wert = 0,063) von Injektionen bei höherem FRP. Obwohl die Wärmeflüsse in HRRR-Smoke aktualisiert werden müssen, ist es daher sinnvoll, die Fahneninjektion mit beobachtetem FRP voranzutreiben, wie dies bereits in HRRR-Smoke (siehe „Methoden“) und anderen Systemen (z. B. Lit. 26) implementiert ist ). MASTER FRP korreliert stark mit der verbrannten Fläche (R2 = 0,96), und daher wären auch Ansätze geeignet, die beobachtete verbrannte Fläche nutzen, um den Fahnenanstieg voranzutreiben. Andererseits zeigt Abb. 2c, dass das beobachtete Injektionsverhalten kaum mit dem brennenden Anteil der MASTER-Pixel zusammenhängt. Der Flammenanteil spielt jedoch eine indirekte Rolle, da höhere Flammenanteile mit höheren FRE-Flüssen verbunden sind und somit der Wärmefluss als Funktion des Flammenanteils implementiert werden könnte, wenn dies aus Beobachtungen möglich ist.

Der letzte Schritt dieser Analyse bestand darin, das WRF-Chem-Modell für ausgewählte Fälle mit einem angepassten Wärmefluss basierend auf dem beobachteten durchschnittlichen FRE-Fluss von 0,55 kWm-2 (Gesamtwärmefluss von 3,4–5,3 kWm-2) erneut auszuführen. Der Sensitivitätstest wurde an den WRF-Chem-Fehlinjektionen durchgeführt und insgesamt 24 der 51 Fälle wurden neu bewertet. Diese Fälle werden als viertes Feld in den relevanten Transekten in den ergänzenden Abbildungen dargestellt. 1–51. Der Aufbau des WRF-Chem-Modells für die Sensitivitätssimulationen ist in Tabelle 2 dargestellt, und HRRR-Smoke ist nicht in der Sensitivitätsanalyse enthalten, da es nur als Echtzeit-Prognoseprodukt für den FIREX-AQ-Zeitraum eingesetzt wurde.

Von den 24 Fällen, die mit aktualisierten Wärmeflüssen erneut durchgeführt wurden, blieben 18 falsche Injektionen bestehen und 6 wurden korrekt als Nicht-Injektionen neu klassifiziert. Dies ergibt eine verbesserte Falsch-Positiv-Rate von 0,75, wenn man davon ausgeht, dass die anfängliche Falsch-Positiv-Rate dieser Teilmenge 1 betrug. Wenn das Injektionsverhalten unter Verwendung des beobachteten PBLH als Injektionsgrenze bewertet wird, bleiben 7 Fälle falsch positiv und 17 Fälle werden korrekt zurückgegeben. wurden bei einer Falsch-Positiv-Rate der Teilmenge von 0,29 als Nicht-Injektionen eingestuft. Die Sensitivitätsanalyse zeigt, dass sowohl eine genaue Grenzschicht als auch ein genauer Wärmefluss erforderlich sind, um das Injektionsverhalten korrekt zu modellieren.

Im Durchschnitt dieser 24 Fälle verringerte sich die mittlere Höhe der gemischten Schicht in der Wolke (ein Stellvertreter für die Höhe der Rauchspitze19) unter Einbeziehung realistischerer Wärmeströme um 455 m. Gruppiert nach Modellbrennstoffkategorie entspricht dies einem Rückgang um 687 m bei außertropischen Waldbränden (14 Fälle), einem Rückgang um 141 m bei Savannenbränden (7 Fälle) und einem Rückgang um 20 m bei Grasbränden (3 Fälle). Von den sechs Fällen, die im Hinblick auf das WRF-Chem PBLH als Nichtinjektionen neu klassifiziert wurden, hatten fünf außertropische Wälder als dominierende Modellbrennstoffkategorie und einer war ein Savannenbrand. Bei allen bis auf einen kam es zu einer Verringerung der mittleren Höhe der Rauchsäule (durchschnittlicher Rückgang um 506 m in allen 6 Fällen). Von den 18 verbleibenden Injektionsfällen waren 9 in außertropischen Wäldern, 6 in Savannen und 3 in Graslandgebieten zu finden.

Durch die Verwendung von Wärmeflüssen und Grenzschichten, die mit den beobachteten Werten übereinstimmen, wird das Auftreten falsch positiver Ergebnisse verringert und die mittlere Rauchspitzenhöhe für das WRF-Chem-Modell verringert. Dieser Effekt steht im Einklang mit anderen Studien, die gezeigt haben, dass die Höhe der modellierten Fahnenspitzen proportional zu sinkenden Wärmeflusswerten abnimmt18, mit der Tatsache, dass das Freitas-Modell die höchsten Wärmeflusswerte für Waldbrände annimmt14, und mit Studien, die sich mit der Untervorhersage befasst haben des PBLH durch WRF-Chem23,24. Während wir feststellen, dass die Klassifizierung des Injektionsverhaltens in Bezug auf die beobachtete Grenzschicht die Modellleistung verbessert, werden weitere Verbesserungen des WRF-Chem PBLH durch die Verwendung neuerer Versionen des Modells (die hier verwendete stammt aus dem Jahr 2014) erwartet, die konsistenter sind mit die reduzierten Verzerrungen des HRRR-Smoke-Modells bei PBLH.

Wir haben das Rauchinjektionsverhalten in den Modellen WRF-Chem und HRRR-Smoke mit Lidar-Beobachtungen aus der Luft verglichen und festgestellt, dass beide Modelle dazu neigen, das Injektionsverhalten zu überschätzen. Unrealistisch hohe Wärmeströme, die zum Antrieb des Auftriebs von Fahnen verwendet werden, werden in beiden Modellen als wahrscheinliche Ursache für die hohe Rate an Fehlinjektionen identifiziert, und die Untervorhersage von PBLH wird als zweiter Faktor für die hohe Rate an Fehlinjektionen im WRF-Chem-Modell identifiziert . Beobachtungen von FRP und Brandbereich mit dem MASTER-Instrument liefern eine Beobachtungsbeschränkung für den Wärmefluss, die wir verwendet haben, um zu bestimmen, dass die angenommenen FRE-Flüsse in WRF-Chem (HRRR-Rauch) im Allgemeinen um einen Faktor von 0,5–25 höher sind als beobachtet ( 6–9). Die Beobachtungen fielen hauptsächlich in die Bereiche des in WRF-Chem für Grünland- und Savannenbrände angenommenen FRE-Flusses (durchschnittlicher FRE-Fluss = 0,55 kWm−2), was mit WRF-Chem übereinstimmt, der die Nichtinjektionen für große Grünlandanteile korrekt vorhersagte, und mit HRRR- Rauch sagt eine hohe Rate falsch positiver Ergebnisse voraus. Es wurde gezeigt, dass der FRE-Fluss je nach Brennstoffart schwach und aufgrund der Flammenverbrennung stärker je nach FRP-Anteil variiert. Die Anpassung der in WRF-Chem verwendeten Wärmeflüsse auf der Grundlage von Felddaten verbessert teilweise das Übervorhersageverhalten, das den Fehler in diesem Modell dominierte, und eine weitere Verbesserung wird erreicht, wenn das Modellinjektionsverhalten unter Verwendung des beobachteten PBLH als Injektionsgrenze bewertet wird. Es wurden keine Empfindlichkeitstests für HRRR-Smoke durchgeführt, aber wir gehen davon aus, dass eine Reduzierung des Wärmeflusses die Injektionsdarstellung verbessert, obwohl dieser Effekt durch die interne Berechnung des Gesamtwärmeflusses durch HRRR-Smoke etwas gedämpft werden kann.

Der von uns verwendete FIREX-AQ-Datensatz ist insofern eingeschränkt, als er nur auf Waldbrände im Westen der Vereinigten Staaten während der relativ normalen Brandsaison 2019 abzielt. Darüber hinaus bevorzugten die Flugplaner aufgrund der Natur der Beobachtung von Waldbrandrauch mit einem Flugzeug intensivere und höhere Rauchwolken. Trotz dieser Einschränkungen enthält der westliche FIREX-AQ-Datensatz eine Reihe von Feuergrößen, Injektionsverhalten und Brennstoffarten (Abb. 2a). Darüber hinaus stimmen diese Ergebnisse mit Studien überein, bei denen Satelliten zur Bewertung des Fahnenanstiegs eingesetzt wurden15,18.

Unsere Ergebnisse zeigen auch, dass Wärmeströme möglicherweise nicht in der vom Freitas-Modell angenommenen Weise vom Brennstoff abhängig sind. Die Parametrisierung des Freitas-Fahnenanstiegs wurde ursprünglich für tropische Waldbrände entwickelt14,18, daher ist es möglich, dass diese Konstanten auf diese Region abgestimmt sind und daher nicht vollständig auf Waldbrände im Westen der USA anwendbar sind.

Frühere Studien haben Mängel beim Freitas-Modell festgestellt, darunter die Unterschätzung des Injektionshöhenbereichs und die falsche Identifizierung von Injektionen18. Die von FIREX-AQ verfügbaren Daten haben es uns ermöglicht, die angenommenen Wärmeflüsse und Grenzschichtunsicherheiten zu bestimmen, die zu den bekannten Problemen mit der Leistung des Freitas-Modells beitragen. Wir gehen davon aus, dass unsere Ergebnisse die Rauchmodellierung in einer Vielzahl von Disziplinen verbessern werden, darunter Luftqualitäts- und Sichtprognosen, Wechselwirkungen zwischen Waldbränden und Klima sowie Studien zu gesundheitlichen Auswirkungen.

Die FIREX-AQ-Feldkampagne zielte mithilfe des luftgestützten DC-8-Labors auf Rauchwolken ab. Dieser Datensatz enthält hochauflösende Messungen der Plume-Rückstreuung, des FRP, der Brandfläche und der verbrannten Brennstoffe für jedes Feuer. Darüber hinaus implementieren WRF-Chem- und HRRR-Smoke-Simulationen leicht unterschiedliche Versionen der Freitas-Parametrisierung. WRF-Chem wurde nahezu in Echtzeit ausgeführt, um die Flugplanung zu unterstützen, und HRRR-Smoke ist ein Betriebssystem der NOAA.

Ein luftgestützter Differentialabsorptions-Lidar mit hoher spektraler Auflösung (DIAL-HSRL27) lieferte einen Aerosol-Rückstreukoeffizienten bei 532 nm (vertikale Auflösung = 30 m, horizontale Auflösung = 10 s), um die Höhe der Fahneninjektion zu bewerten. FRP-, verbrannte Flächen- und Brandphasenmessungen (Flammen, Schwelen oder Sättigung) wurden mit dem MASTER-Multispektralbildgeber28 durchgeführt. Für jeden Brand wurde die Brennstoffkategorie der Kampagne als dominierende Brennstoffkategorie gemäß dem Fuels Characteristic Classification System (FCCS) bestimmt, einem hochauflösenden Datensatz, der mithilfe von Fernerkundung und In-situ-Messungen der Landbedeckung und Brennstoffbeladung erstellt wurde. In dieser Studie wurden die FCCS-Kraftstoffkategorien den vom MODIS-International Geosphere Biosphere Program (IGBP)29,30 angenommenen Kraftstoffkategorien zugeordnet. Ein Vergleich von Modell- und Kampagnenkraftstoffen (ergänzende Abbildung 58) zeigt, dass das Modell in 47 % der Fälle den richtigen Kraftstofftyp verwendet. Da der Brennstofftyp den angenommenen Wärmefluss direkt beeinflusst, können Fehler im Modellbrennstoff dazu führen, dass der Wärmefluss im Vergleich zum Wärmefluss, der angenommen worden wäre, wenn der Kampagnenbrennstoff zur Bestimmung des Wärmeflusses verwendet worden wäre, über- oder unterschätzt wird. Ein Großteil der Fehler (in 39 % der Fälle vorhanden) dient dazu, den Wärmefluss zu verringern, und trotzdem sind die Schätzungen des Wärmeflusses immer noch zu hoch.

In dieser Studie werden FRP-Abrufe und Verbrennungsphasenklassen vom MASTER-Instrument verwendet, um die Modellannahmen des Brandwärmeflusses zu bewerten. Die Branderkennung von MASTER basiert auf dem kontextuellen Algorithmuskonzept, das ursprünglich für die MODIS-Instrumente an Bord der Terra- und Aqua-Satelliten31 entwickelt wurde. In Bezug auf die Rückgewinnung von FRP deuten frühere Studien darauf hin, dass 98 % der Varianz der Feuerstrahlungsenergie durch Variationen der emittierten spektralen Strahldichte im mittleren Infrarotbereich (MIR) bei ~4 μm32 erklärt werden. Daher basiert die Ermittlung von FRP aus MASTER-Beobachtungen auf dem MIR-Strahlungsansatz33 unter Verwendung des MASTER-3,91-μm-Spektralbandes (im Folgenden 4 μm). Um die von MASTER erkannten Feuerpixel nach der Verbrennungsphase (z. B. Flammen und Schwelen) zu klassifizieren, waren Versuche, konstante Schwellenwerte abzuleiten und anzuwenden, erfolglos, da der Wertebereich, der diese Phasen darstellt, von Szene zu Szene sehr unterschiedlich war, teilweise aufgrund von Unterschieden im Feuer Regime und Variationen von Pixelanteilen mit unterschiedlichen Feuerphasen, und teilweise aufgrund der komplexen radiometrischen Kalibrierungsdynamik des Instruments, die über den Rahmen dieser Diskussion hinausgehen34. Daher wird für diese Klassifizierung ein Ansatz verwendet, der dem kontextuellen Branderkennungsalgorithmus31 ähnelt, wobei Schwellenwerte empirisch aus jeder Szene der MASTER-Bilder abgeleitet werden. Flammende Pixel wurden als Feuerpixel bestimmt, bei denen die 4-µm-Helligkeitstemperatur mehr als 3 Standardabweichungen über der mittleren 4-µm-Helligkeitstemperatur des Hintergrunds liegt und bei denen der Unterschied zwischen der 4- und 11-µm-Helligkeitstemperatur 100 K übersteigt. Schwelende Pixel wurden als bestimmt Feuern Sie Pixel ab, bei denen die 4-µm-Helligkeitstemperatur mehr als 2 Standardabweichungen über der mittleren 4-µm-Helligkeitstemperatur des Hintergrunds liegt und bei denen die 11-µm-Helligkeitstemperatur mehr als 1 Standardabweichung über der mittleren 11-µm-Helligkeitstemperatur des Hintergrunds liegt. Da festgestellt wurde, dass einige der intensiveren Feuerpixel aufgrund des begrenzten Dynamikbereichs des MASTER 4 µm-Feuerkanals im Vergleich zu den hohen Temperaturen, die von Pixeln erreicht werden können, die vollständig von Flammen bedeckt sind (bis zu 1500 K), gesättigt sind, Gesättigte Pixel wurden anhand der 4-µm-Strahlungswerte bestimmt. Wenn die Szene 20 % gültige Hintergrundpixel aufweist, werden diese Pixel mit 4 µm-Strahlungswerten > 99,5 % des Maximalwerts als gesättigt gekennzeichnet. Diese Maximalwerte können von Szene zu Szene und sogar von Scanzeile zu Scanzeile variieren, aber in einer bestimmten Scanzeile sind sie im Allgemeinen gleich (innerhalb von 0,005 %). Wenn eine Sättigung auftritt, haben Pixelcluster um gesättigte Pixel tendenziell den gleichen Strahldichtewert von 4 µm. Diese Pixel werden auch als gesättigt gekennzeichnet, was eine Einschränkung dieser Methode darstellt.

Eine vorläufige Analyse (ergänzende Abbildung 57) zeigte, dass MASTER FRP mit FRP von MODIS, VIIRS und dem Geostationary Operational Environmental Satellite-Advanced Baseline Imager (GOES-ABI) vergleichbar ist. MASTER neigt dazu, VIIRS-FRP-Messungen zu unterschätzen (Bias = −66,11 MW) und MODIS zu überschätzen (Bias = 379,6 MW). Im MODIS-Diagramm wird die starke Assoziation (R2 = 0,97) zu einem großen Teil durch den Ausreißer bestimmt, aber das Entfernen des Ausreißers führt immer noch dazu, dass MASTER MODIS überschätzt (R2 = 0,72, Bias = 190.215,3 MW, Steigung = 1,39). Den vollständigen Vergleich finden Sie in der ergänzenden Abbildung 55. Beachten Sie, dass nicht in allen Fällen, in denen wir Plumes haben, zugehörige MASTER-Daten vorhanden sind.

In dieser Studie haben wir die Parametrisierung des Freitas-Fahnenanstiegs in WRF-Chem und HRRR-Smoke verglichen. Die Einzelheiten zu den einzelnen Modellen sind in Tabelle 2 aufgeführt. Die relevanten Unterschiede für diese Untersuchung liegen in der Art und Weise, wie jedes Modell mit Wärmefluss und Feuergröße umgeht. WRF-Chem geht von einer konstanten Feuergröße von 0,25 km2 pro Modellgitterzelle und brennstoffabhängigen Gesamtwärmeflüssen aus, die von 4,4 kWm-2 bei Grasbränden bis 80 kWm-2 bei Waldbränden reichen. HRRR-Smoke hingegen geht von brennstoffabhängigen FRE-Flüssen aus, die für alle Brennstoffarten zwischen 3,44 und 4,76 kWm-2 liegen, und verwendet diese Konstanten zusammen mit FRP-Messungen, um die Feuergröße abzuschätzen. Da HRRR-Smoke von FRE-Flüssen ausgeht, erfolgt eine interne Umrechnung in den Gesamtwärmefluss mit einem Faktor von 1,635,36. In beiden Modellen wird die Konvektionsenergie anhand eines vorgeschriebenen oder berechneten Gesamtwärmestroms basierend auf der Brennstoffkategorie und unter der Annahme berechnet, dass die Konvektionsenergie 55 % des Gesamtwärmestroms ausmacht36. Beide Modelle gehen davon aus, dass nur brennende Emissionen einen Fahnenaufstieg erfahren, und gehen davon aus, dass ein fester Anteil der Emissionen brennt. Das Modul „Fahnenanstieg“ wird alle 30 Minuten der Modellzeit ausgeführt.

Die in WRF-Chem verwendeten Emissionen des Quick Fire Emissions Dataset (QFED) wurden auf die Modellauflösung umgerechnet, indem die Emissionen der nächstgelegenen Gitterzelle zugewiesen wurden. Die täglichen QFED-Emissionen wurden auf stündliche Auflösung umgerechnet, indem jeder Stunde ein Prozentsatz der täglichen Emissionen zugewiesen wurde, wobei der Höhepunkt des Tageszyklus um 16:00 Uhr Ortszeit auftrat und 17 % der täglichen Emissionen enthielt. Darüber hinaus geht dieser Tageszyklus davon aus, dass ein Großteil der Emissionen während der Tagesstunden (ca. 10:00–19:00 Uhr LT) freigesetzt wird und weniger als 1 % der täglichen Emissionen pro Stunde während der Nachtstunden freigesetzt werden37.

Ergänzende Abbildungen. 1–51 zeigen die 51 Transekte, die für die Analyse in dieser Arbeit ausgewählt wurden. Die Beobachtungen wurden während Transekten durchgeführt, bei denen das Flugzeug über den Brandherd und gegen den Wind oder gegen den Wind entlang der längsten Achse der Wolke flog. Entlang der Flugbahn wurden modellierte Partikelsäulen mit einer Konzentration von weniger als 2,5 Mikrometern Durchmesser (PM2,5) extrahiert, wobei Brände berücksichtigt wurden, die in WRF-Chem relativ zu den Beobachtungen räumlich und zeitlich leicht verschoben waren (Ergänzende Abbildungen 59–60). Alle Querschnitte sind in den ergänzenden Abbildungen dargestellt. 1–51 und Ergänzungstabellen 1–2 geben das Injektionsverhalten aller Proben an. Endknoten der Klassifizierung (Abb. 3g) werden verwendet, um zu bestimmen, anhand welcher PBL die Injektion bewertet und mit der DIAL-HSRL-PBLH verglichen werden soll.

Vertikale Profile einer DIAL-HSRL-Rückstreuung, b HRRR-Smoke PM2.5 und c WRF-Chem PM2.5 für das Shady Fire am 26.07.2019 01:25-01:35 UTC. Vertikale Profile von d DIAL-HSRL-Rückstreuung, e HRRR-Smoke PM2.5 und f WRF-Chem PM2.5 für den North Hills Fire am 29.07.2019 22:40-22:55 UTC. g Der Entscheidungsbaum, der zur Klassifizierung jedes Falles verwendet wird. In den Endknoten (rote und grüne Kästchen) sind in Klammern repräsentative Fälle für jeden Pfad angegeben, der an diesem Endknoten endet. Offene Kreise in (a) und (d) geben die Höhe außerhalb der Fahnengrenzschicht an, und ausgefüllte Kreise bezeichnen die Spitzenhöhen der Fahne. Hellgraue durchgezogene Linien und kurze gestrichelte graue Linien in (b, c) und (e, f) bezeichnen die modellierten PBLH- bzw. Mischschichthöhen, die aus vertikalen PM2,5-Gradienten abgeleitet wurden. Für WRF-Chem wird die Mischschichthöhe bei 16:00 Uhr LT, dem Zeitpunkt, an dem die Mischschicht am dicksten ist, als lange gestrichelte dunkelgraue Linie angezeigt. 5 Minuten Flugzeit entsprechen 50–70 km.

In einigen Fällen beobachtete das Flugzeug Brände, die im HRRR-Smoke-Modell nicht vorhanden waren. Dies ist auf Datenlücken bei der Satellitenfeuererkennung zurückzuführen, was bedeutet, dass der FRP nicht in das Modell aufgenommen wurde und daher für diese Brände nie Feueremissionen und Fahnenhöhe abgeleitet werden. Dieses Problem betraf das Feuer in Shady (beobachtet am 24. Juli 2019) und das Feuer in Tucker (beobachtet am 29. Juli 2019). Diese fehlenden Erkennungen sind wahrscheinlich auf Wolken in der Gegend zurückzuführen, die zu verpassten Satelliten-FRP-Abrufen führen könnten (Tucker), oder auf anhaltende Wolken, die das Feuerverhalten dämpfen und zu verpassten Erkennungen führen, selbst nachdem sich die Wolken verzogen haben (Shady). Diese fehlenden HRRR-Smoke-Fälle sind im WRF-Chem-Datensatz vorhanden, da das QFED-Emissionsinventar in der Lage ist, Emissionen für wolkenbedeckte Regionen abzuschätzen38. Da für diese Fälle WRF-Chem-Vorhangdiagramme verfügbar sind, sind sie in unserer Analyse vorhanden, aber für die HRRR-Rauchproben wurde das Injektionsverhalten nicht als Zahl gekennzeichnet (nan, Ergänzungstabellen 1–2).

In etwa der Hälfte der WRF-Chem-Fälle scheinen die modellierten Brände im Vergleich zu den Beobachtungen verschoben zu sein. Bei der Probenahme des Modells am Ort des Fluges erscheint dies als fehlende Teile der Fahne (ergänzende Abbildung 59a) und als Erfassung nur der Fahnenkante (ergänzende Abbildung 59d). Diese scheinbare Verschiebung ist ein Ergebnis der Auflösungsunterschiede zwischen dem WRF-Chem-Modell (4 km) und dem QFED-Emissionsinventar (0,1 Grad, ~12 km). Da jede QFED-Probe in eine einzelne WRF-Chem-Gitterzelle umgewandelt wird, kann es zu einer Verschiebung des Brandorts kommen. HRRR-Smoke unterliegt diesem Problem nicht, da es mit einer Auflösung von 3 km ausgeführt wird und 375 m VIIRS FRP aufnimmt, um Feueremissionen, Fläche und Fahnenanstieg zu berechnen und räumlich zuzuordnen39.

Anstatt diese Fälle auszuschließen und die Hälfte unserer Stichprobengröße bei der Analyse zu verlieren, haben wir räumliche Verschiebungen im Stichprobenalgorithmus implementiert, um sicherzustellen, dass das Modell über dem dichtesten Teil der Wolke abgetastet wurde. Die Verschiebungsentfernung ist definiert als die Entfernung zwischen der nächsten Annäherung des Fluges an den modellierten Brandort und dem modellierten Brandort selbst, der als Massenschwerpunkt der Emissionen in einem 9 × 9-Gitterfeld um den beobachteten Brandort definiert ist ( FIREX-AQ-Datenspeicher). Die Verschiebungsdistanz wird dann verwendet, um die Flugbahn im Raum zu verschieben, und das Modell wird an diesen neuen Standorten abgetastet. Dabei wird davon ausgegangen, dass die Verschiebungen klein genug sind, dass sich die Modellmeteorologie und die Einflussfaktoren für den Fahnenanstieg über den relativ kleinen räumlichen Bereich der Verschiebungen nicht ändern (Verschiebungen betragen oft nur den Bruchteil eines Grades). Dadurch erhöhte sich die Anzahl der Vergleiche zwischen dem Modell und den Beobachtungen erheblich. Es wird jedoch anerkannt, dass die Verschiebung zu einem höheren Fehler führen kann, wenn sich die Kraftstoffart über die verschobene Distanz ändert, da dies Auswirkungen auf die Berechnung des Fahnenanstiegs hat14. Die ergänzende Abbildung 59c, d (rote Linie) zeigt, wie wir durch die Verschiebung das Modell an der Stelle abtasten können, an der der Fahnenanstieg auftritt, und wie sich dies auf die Modellleistung auswirkt.

In zwei Fällen wurde aus einem anderen Grund eine schlechte Modell-Beobachtungs-Übereinstimmung festgestellt. In der ergänzenden Abbildung 60b ist die Feuerfahne im WRF-Chem-Vertikalprofil von PM2,5 nicht erkennbar, und die ergänzende Abbildung 60a zeigt, dass dies darauf zurückzuführen ist, dass QFED-Emissionen zum Zeitpunkt der Probenahme nicht im Modell vorhanden waren. Wie oben erwähnt, werden den täglichen QFED-Emissionen stündliche Werte basierend auf der UTC-Zeit zugewiesen und jeden Tag (um 01 UTC) wird ein neuer Satz von Emissionen in QFED importiert, was für die FIREX-AQ-Domäne in der Regel etwa 17–18 Uhr Ortszeit ist. Dies führt zu Diskontinuitäten im Tageszyklus der Emissionen, die typischerweise mit der Beobachtung der Feuerfahne durch DC-8 zusammenfielen. Daher wurde auch für die beiden Fälle, in denen dies der Fall war, eine Zeitverschiebung vorgenommen. In diesen Fällen wurde das Modell zu einem Zeitpunkt beprobt, der eine Stunde später lag als der Zeitpunkt, zu dem die DC-8 die Wolke überquerte. Ähnlich wie die räumliche Verschiebung geht die Zeitverschiebung davon aus, dass sich die Meteorologie (dh die Windrichtung) von einem Zeitschritt zum nächsten nicht ändert. Obwohl sich die Meteorologie in der Realität im Laufe einer Stunde drastisch ändern kann, können wir durch den Zeitpunkt der Überführungen (innerhalb von 20 oder 30 Minuten der nächsten Stunde) einen Teil dieser Variabilität vernachlässigen. Die ergänzende Abbildung 60c–d zeigt, wie die Probenahme des WRF-Chem-Modells eine Stunde später zu einem Zeitpunkt führt, an dem Modellemissionen vorhanden sind und das Verhalten des Fahnenanstiegs bewertet werden kann.

Wir definieren Injektion als eine geschichtete Rauchschicht über dem PBL oder eine Restschicht über dem Feuer, deren geschichtete Form für mindestens fünf Minuten (50–70 km basierend auf der Bodengeschwindigkeit des Flugzeugs) des Transports gegen den Wind erhalten bleibt. Diese Definition basiert auf den Unterschieden zwischen injiziertem und nicht injiziertem Rauch13 und der Tendenz von injiziertem Rauch, sich in freien troposphärischen stabilen Schichten anzusammeln8. Nach dieser Definition sind Injektionen unabhängig vom Vorhandensein von PBL-Rauch. Beispiele für Injektion sind in Abb. 3a–c, e dargestellt, Beispiele für Nichtinjektion sind in Abb. 3d, f dargestellt.

In den DIAL-HSRL-Vorhängen (Abb. 3a, d) repräsentieren Rückstreuwerte von 1–56 Mm−1 sr−1 (gelb-dunkelrote, schwarz gefüllte Kreise) Rauch und Werte von 0,18–0,56 Mm−1 sr− 1 (dunkelgrün-hellgrün, schwarze offene Kreise) stellen die PBL außerhalb der Wolke dar. Da das Vorhandensein von Feuer die vom DIAL-HSRL beobachtete Höhe der gemischten Schicht beeinflusst, wurden Standorte in Windrichtung und in Windrichtung, an denen die PBLH relativ stabil blieb, als Region außerhalb der Wolke ausgewählt (schwarze offene Kreise in 3a–3f). In beiden Modellen (Abb. 3b–c, e–f) werden PM2,5-Werte von 5,6–1000 µg m−3 (hellblau-dunkelrot) als Rauch angenommen. Die Bestimmung der modellierten PBL-Höhe außerhalb der Wolke ist komplexer, da WRF-Chem Hintergrundaerosole simuliert, HRRR-Smoke jedoch nicht. Daher verwenden wir in allen Modellfällen die außerhalb der Wolke modellierte PBL-Höhe oder die potenzielle, von der Temperatur abgeleitete Mischschichthöhe um 16:00 Uhr Ortszeit (hellgraue durchgezogene oder dunkelgraue gestrichelte Linien in Abb. 3b–c, e–f). an der Stelle der schwarzen offenen Kreise), um die Injektion zu klassifizieren. Diese Methodik bewertet die modellierte Injektion im Hinblick auf die beobachtete und modellierte PBL und die beobachtete Injektion im Hinblick auf die beobachtete PBL. Dies unterscheidet sich von früheren Studien, die modellierte PBL-Höhen nur als Standard zur Beurteilung der Injektion verwendeten11. Der Vergleich der Umgebungsrückstreuung mit PM2,5 auf Basis der trockenen Extinktion ist für unsere Zwecke ausreichend, da sich rauchige und nicht rauchende Regionen optisch voneinander unterscheiden und sowohl bei der Rückstreuung als auch bei den PM2,5-Vorhängen ein zufriedenstellendes Maß an räumlicher Übereinstimmung aufweisen.

Abbildung 3g zeigt den Entscheidungsbaumprozess, der auf alle Fälle angewendet wurde, um zu bestimmen, ob eine Injektion stattgefunden hat oder nicht. Die erste Aufteilung im Baum (Knoten A) fragt, welcher Anteil der obersten Rauchschicht über dem PBLH außerhalb der Wolke liegt. Knoten A identifiziert Fälle, in denen Rauch im gesamten lokalen PBL gut gemischt bleibt (Abb. 3d) und ist besonders nützlich für die Bewertung der Modelle (d. h. Abb. 3f), da das Freitas-Modell brennende Emissionen in der Höhe injiziert, in der die simulierte Wolke aufhört aufzusteigen aber für eine Reihe von Wärmeflüssen14, wodurch die Möglichkeit besteht, dass Fahnen in mehrere vertikale Ebenen injiziert werden, die unterhalb des PBLH liegen könnten.

In Fällen, in denen sich ein Großteil der emporgehobenen Fahne in der freien Troposphäre befindet, weist Knoten B1 darauf hin, dass das Verhalten in Windrichtung eine Rolle dabei spielt, ob Fahnen als Injektionen klassifiziert werden oder nicht. Wenn Fahnen ihre geschichtete Form beibehalten (d. h. in allen Feldern von Abb. 3a), werden sie als Injektionen betrachtet. Dies geht mit dem Vorbehalt einher (Knoten F1), dass Rauch in der Restschicht, obwohl er in seiner Form geschichtet erscheinen kann, in dieser Arbeit nicht als Injektion betrachtet wird. Diese Fälle treten auf, wenn Brände nach Einbruch der Dunkelheit beobachtet wurden, sodass die konvektive PBL am Tag durch eine weniger turbulente Restschicht ersetzt wurde, was zu einer geschichteten Struktur führte, die am nächsten Tag wahrscheinlich stärker lokalisierte Auswirkungen auf die Luftqualität haben wird, wenn eine ähnliche PBLH erreicht wird. Fälle, in denen sich die Wolke innerhalb einer Flugzeit von 5 Minuten mit dem PBL vermischt, gelten dann als Nichtinjektionen (Knoten C2, E2). Kommt es nach 5 Minuten Flugzeit zu einer Vermischung, handelt es sich um eine Injektion (Knoten E1).

Einige Brände wurden mehrmals an einem einzigen Tag beobachtet, was dazu führen kann, dass die Daten auf diese Brände ausgerichtet sind. Um eine solche Verzerrung abzumildern, wurde ein Bootstrapping-Ansatz verwendet, der Box- und Whisker-Plots durch Unterabtastung des Datensatzes generiert, sodass nur eine Flugzeugüberführung pro Brand und Tag ausgewählt wurde. Die endgültigen Boxplots (Abb. 1 und die ergänzenden Abbildungen 50–52) wurden anhand der Durchschnittsstatistik aller Boxplots aus 2000 solchen Iterationen erstellt. Die Kategorie „falsche Nichtinjektion“ enthielt nicht genügend Fälle, um aussagekräftige Statistiken für eines der Modelle zu enthalten. HRRR-Smoke verfügte nicht über genügend Fälle von echten Nicht-Injektionen, um Statistiken zu erstellen, aber die Verteilungen der wahren und falschen Injektionen ähneln den entsprechenden WRF-Chem-Verteilungen (d. h. Abb. 1).

Der FRE-Fluss wurde als Standardgröße zum Vergleich der Wärmeströme in den Modellen und Beobachtungen gewählt und wird wie folgt aus den Messungen abgeleitet. Zunächst wird der FRP über alle in einer einzelnen Szene vorhandenen MASTER-Pixel summiert, was den Gesamt-FRP ergibt. Anschließend werden die Größen der MASTER-Pixel mithilfe einer linearen Beziehung aus der Höhe des Flugzeugs über dem Gelände abgeleitet (MASTER-Flugplanung). Der FRE-Fluss ist dann die Steigung der linearen Anpassung FRP = m·AREA, die im Haupttext sowohl für den gesamten Datensatz als auch für Teilmengen berechnet wird. Diese Analyse kann mit schwelenden Pixeln, flammenden und gesättigten Pixeln oder allen Pixeln durchgeführt werden.

HRRR-Smoke meldet Wärmeflüsse als Flächen-zu-FRP-Verhältnisse, daher nehmen wir deren Umkehrung, um sie in FRE-Flüsse umzuwandeln. WRF-Chem verwendet die vom Freitas-Modell angenommenen standardmäßigen konvektiven Wärmeflüsse, die mit 0,55 der gesamten Wärmeflüsse angenommen werden14,36. Der resultierende konvektive Wärmefluss wird mithilfe der gemessenen Strahlungs- und Konvektionsanteile40 in einen FRE-Fluss umgewandelt. Diese Strahlungs- und Konvektionsanteile wurden bei ~3,9 µm gemessen, was den von MASTER zur Messung von FRP verwendeten Wellenlängen ähnelt. Der Umrechnungsfaktor ist wie folgt: Strahlungsanteil/Konvektionsanteil = 0,12/0,51 = 0,2440. Messungen des Strahlungs- und Konvektionsanteils weisen erhebliche Unsicherheiten auf, und zur Messung des Strahlungsanteils wurden zwei Instrumente verwendet40. Um die WRF-Chem-Bereiche in Abb. 2 zu erstellen, wurden Fehlerausbreitungsberechnungen durchgeführt und der Bereich einschließlich der Fehler aus beiden Messungen des Strahlungsanteils wird aufgetragen. Wir können die Fehlerausbreitung auch verwenden, um einen Bereich des Verhältnisses von Strahlungsanteil zu Konvektionsanteil zu erhalten, der 0,239 ± 0,076 und 0,234 ± 0,07 ergibt, wenn die verschiedenen Instrumente zur Schätzung des Strahlungsanteils verwendet werden40. Die Umkehrung dieser Berechnungen kann durchgeführt werden, um Gesamtwärmeflüsse aus gemessenen FRE-Flüssen zu erhalten. Dies führt zu analogen Ergebnissen wie oben beschrieben („Ergebnisse“, Bewertung der Wärmeflussannahmen).

Flugbeobachtungsdaten von FIREX-AQ werden zusammen mit den DIAL-HSRL-Daten und Kampagnentreibstoffdaten von NASA/LARC/SD/ASDC41 (https://www-air.larc.nasa.gov/missions/firex-aq/) archiviert. ). MASTER Fire Radiative Power-Datenprodukte finden Sie hier (https://asapdata.arc.nasa.gov/share/Ichoku_RFP/). WRF-Chem- und HRRR-Smoke-Curtain-Plot-Daten finden Sie hier42 (https://doi.org/10.5281/zenodo.7033257).

Für dieses Manuskript wurde ein benutzerdefinierter Code geschrieben, um alle dargestellten Zahlen zu generieren und FRE-Flüsse zu berechnen. Der Code wurde in MATLAB R2017a und R2019b geschrieben. Code verfügbar unter https://doi.org/10.5281/zenodo.7033257.

Ward, DS et al. Der sich ändernde Strahlungsantrieb von Bränden: globale Modellschätzungen für Vergangenheit, Gegenwart und Zukunft. Atmosphäre. Chem. Physik. 12, 10857–10886 (2012).

Artikel CAS Google Scholar

Munoz-Alpizar, R. et al. Mehrjährige (2013–2016) Belastung durch PM2,5-Waldbrandverschmutzung über Nordamerika, ermittelt aus betrieblichen Luftqualitätsprognosen. Atmosphäre 8, 179 (2017).

Artikel Google Scholar

Spracklen, DV et al. Waldbrände führen im Sommer im Westen der USA zu jährlichen Schwankungen des organischen Kohlenstoffaerosols. Geophys. Res. Lette. 34, L16816 (2007).

Reid, CE et al. Kritische Überprüfung der gesundheitlichen Auswirkungen der Rauchexposition bei Waldbränden. Umgebung. Gesundheitsperspektive. 124, 1334–1343 (2016).

Artikel Google Scholar

Westerling, AL Die Erwärmung und der frühere Frühling erhöhen die Waldbrandaktivität im Westen der USA. Wissenschaft 313, 940–943 (2006).

Artikel CAS Google Scholar

Zhuang, Y. et al. Quantifizierung der Beiträge natürlicher Variabilität und anthropogener Kräfte zum erhöhten Brandwetterrisiko im Westen der Vereinigten Staaten. PNAS 118, e2111875118 (2021).

Ford, B. et al. Zukünftige Feuerauswirkungen auf Rauchkonzentration, Sicht und Gesundheit in den angrenzenden Vereinigten Staaten. GeoHealth 2, 229–247 (2018).

Artikel CAS Google Scholar

Kahn, RA et al. Physikalische Eigenschaften der Aerosolquellenfahne aus weltraumgestützter Mehrwinkelbildgebung. J. Geophys. Res. 112, D11205 (2007).

Val Martin, M. et al. Rauchinjektionshöhen von Bränden in Nordamerika: Analyse von 5 Jahren Satellitenbeobachtungen. Atmosphäre. Chem. Physik. 10, 1491–1510 (2010).

Artikel CAS Google Scholar

Soja, AJ et al. Definition der vertikalen Struktur von Rauchaerosolen: Caliop-basierte Rauchfahnen-Entzugshöhe (American Geophysical Union, 2021).

Kahn, RA et al. Höhen der Rauchinjektion bei Waldbränden: zwei Perspektiven aus dem Weltraum. Geophys. Res. Lette. 35, L04809 (2008).

Val Martin, M., Kahn, R. & Tosca, M. Eine globale Analyse der Rauchinjektionshöhen von Waldbränden, abgeleitet aus weltraumgestützter Mehrwinkelbildgebung. Fernerkundung 10, 1609 (2018).

Artikel Google Scholar

Schum, SK et al. Molekulare und physikalische Eigenschaften von Aerosolen an einem entfernten Standort in der freien Troposphäre: Auswirkungen auf die Alterung der Atmosphäre. Atmosphäre. Chem. Physik. 18, 14017–14036 (2018).

Artikel CAS Google Scholar

Freitas, SR et al. Einbeziehung des subgitterskaligen Fahnenanstiegs von Vegetationsbränden in atmosphärischen Transportmodellen mit niedriger Auflösung. Atmosphäre. Chem. Physik. 7, 3385–3398 (2007).

Artikel CAS Google Scholar

Sessions, WR, Fuelberg, HE, Kahn, RA & Winker, DM Eine Untersuchung von Methoden zur Injektion von Emissionen aus borealen Waldbränden mit WRF-Chem während ARCTAS. Atmosphäre. Chem. Physik. 11, 5719–5744 (2011).

Artikel CAS Google Scholar

Roy, A. et al. in Energie, Umwelt und Nachhaltigkeit 245–278 (Springer, 2017).

Mallia, D., Kochanski, A., Urbanski, S. & Lin, J. Optimierung von Modellierungsansätzen für Rauch und Fahnenaufstieg auf lokaler Ebene. Atmosphäre 9, 166 (2018).

Artikel Google Scholar

Val Martin, M. et al. Weltraumbasierte Beobachtungsbeschränkungen für 1-D-Modelle zum Aufsteigen von Feuerrauchfahnen. J. Geophys. Res. 117, D22204 (2012).

Ye, X. et al. Auswertung und Vergleich von Waldbrandrauchprognosen aus mehreren Modellierungssystemen für den Brand in Williams Flats 2019. Atmosphäre. Chem. Physik. 21, 14427–14469 (2021).

Artikel CAS Google Scholar

Freitas, SR, Longo, KM, Trentmann, J. & Latham, D. Technische Anmerkung: Empfindlichkeit von 1-D-Rauchwolkenanstiegsmodellen gegenüber der Einbeziehung des Windwiderstands in der Umgebung. Atmosphäre. Chem. Physik. 10, 585–594 (2010).

Artikel CAS Google Scholar

Walter, C. et al. Die Bedeutung des Fahnenanstiegs für die Konzentrationen und atmosphärischen Auswirkungen von Aerosolen, die Biomasse verbrennen. Atmosphäre. Chem. Physik. 16, 9201–9219 (2016).

Artikel CAS Google Scholar

Paugam, R., Wooster, M., Freitas, S. & Val Martin, M. Ein Überblick über Ansätze zur Schätzung der Injektionshöhe von Waldbrandfahnen in groß angelegten Modellen für den atmosphärischen chemischen Transport. Atmosphäre. Chem. Physik. 16, 907–925 (2016).

Artikel CAS Google Scholar

Hu, X. et al. Bewertung von drei planetaren Grenzschichtschemata im WRF-Modell. J. Appl. Meteorol. Klimatol. 49, 1831–1844 (2010).

Artikel Google Scholar

Shin, HH et al. Auswirkungen der niedrigsten Höhe des Modellniveaus auf die Leistung der Parametrisierung der Planetengrenzschicht. J. Appl. Meteorol. Klimatol. 140, 664–682 (2012).

Google Scholar

Stocks, BJ & Kauffman, JB in Sediment Records of Biomass Burning and Global Change 169–188 (Springer Berlin Heidelberg, 1997).

Sofiev, M., Ermakova, T. & Vankevich, R. Bewertung der Rauchinjektionshöhe von Waldbränden mithilfe von Fernerkundungsdaten. Atmosphäre. Chem. Physik. 12, 1995–2006 (2012).

Artikel CAS Google Scholar

Hair, JW et al. Luftgestütztes Lidar mit hoher spektraler Auflösung zur Profilierung der optischen Eigenschaften von Aerosolen. Appl. Opt. 47, 6734 (2008).

Artikel Google Scholar

Hook, SJ, Myers, JJ, Thome, KJ, Fitzgerald, M. & Kahle, AB Der MODIS/ASTER-Flugsimulator (MASTER) – ein neues Instrument für geowissenschaftliche Studien. Fernerkundung. Umwelt. 76, 93–102 (2001).

Artikel Google Scholar

Strahler, A. et al. MODIS Land Cover Product Algorithm Theoretical Basis Document (ATBD) Version 5.0 MODIS Land Cover and Land-Cover Change Principal Investigator (1999).

Prichard, SJ et al. Fuel Characteristic Classification System Version 3.0: technische Dokumentation (US Department of Agriculture, Forest Service, 2013).

Giglio, L., Descloitres, J., Justice, CO & Kaufman, YJ Ein verbesserter kontextbezogener Branderkennungsalgorithmus für MODIS. Fernerkundung. Umwelt. 87, 273–282 (2003).

Artikel Google Scholar

Wooster, M. Feuerstrahlungsenergie zur quantitativen Untersuchung der Biomasseverbrennung: Ableitung vom BIRD-Versuchssatelliten und Vergleich mit MODIS-Brandprodukten. Fernerkundung. Umwelt. 86, 83–107 (2003).

Artikel Google Scholar

Wooster, MJ, Roberts, G., Perry, GLW & Kaufman, YJ Abruf von Biomasse-Verbrennungsraten und -summen aus Beobachtungen der Feuerstrahlungsleistung: FRP-Ableitung und Kalibrierungsbeziehungen zwischen Biomasseverbrauch und Feuerstrahlungsenergiefreisetzung. J. Geophys. Res. 110, D24311 (2005).

Grell, GA & Freitas, SR Eine skalen- und aerosolbewusste stochastische Konvektionsparametrisierung für die Wetter- und Luftqualitätsmodellierung. Atmosphäre. Chem. Physik. 14, 5233–5250 (2014).

Artikel CAS Google Scholar

Paugam, R. et al. Entwicklung und Optimierung eines Modells für den Anstieg der Waldbrandwolken basierend auf Fernerkundungsdateneingaben – Teil 2. https://doi.org/10.5194/acpd-15-9815-2015 (2015).

McCarter, RJ & Broido, A. Strahlungs- und Konvektionsenergie von Holzkrippenfeuern. Pyrodynamik 2, 65–85 (1965).

Google Scholar

Westliche regionale Luftpartnerschaft. Feueremissionsinventar 2002 für die WRAP-Region – Phase-II-Projekt Nr. 178–6 (Air Sciences, INC, 2005)

Darmenov, AS, Da Silva, AM & Koster, RD Der Quick Fire Emissions Dataset (QFED): Dokumentation der Versionen 2.1, 2.2 und 2.4 Bd. 38 (2015).

Ahmadov, R. et al. Verwendung von VIIRS-Feuerstrahlungsleistungsdaten zur Simulation der Emissionen aus der Verbrennung von Biomasse, des Fahnenaufstiegs und des Rauchtransports in einem Echtzeit-Luftqualitätsmodellierungssystem. im Jahr 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS) (IEEE, 2017).

Freeborn, PH et al. Zusammenhänge zwischen Energiefreisetzung, Brennstoffmassenverlust und Spurengas- und Aerosolemissionen bei Biomassebränden im Labor. J. Geophys. Res. 113, D01301 (2008).

FIREX-AQ-Wissenschaftsteam. Einfluss von Bränden auf regionale bis globale Umgebungen und Luftqualität. https://doi.org/10.5067/SUBORBITAL/FIREXAQ2019/DATA001 (2019).

Thapa, LH Wärmeflussannahmen tragen zur Überschätzung der Rauchinjektion von Waldbränden in die freie Troposphäre für Waldbrände im Westen der USA im Jahr 2019 bei. Zenodo. https://doi.org/10.5281/zenodo.7033257 (2022).

Archer-Nicholls, S. et al. Charakterisierung der Emissionen aus der Verbrennung brasilianischer Biomasse mithilfe von WRF-Chem mit MOSAIC-Schnittaerosol. Geosci. Modellentwickler. 8, 549–577 (2015).

Artikel Google Scholar

Wiedinmyer, C. et al. Das Fire INventory von NCAR (FINN): ein hochauflösendes globales Modell zur Schätzung der Emissionen aus offener Verbrennung. Geosci. Modellentwickler. 4, 625–641 (2011).

Artikel Google Scholar

Iacono, MJ et al. Strahlungsantrieb durch langlebige Treibhausgase: Berechnungen mit den AER-Strahlungstransfermodellen. J. Geophys. Res. 113, D13103 (2008).

Chen, F. & Dudhia, J. Kopplung eines fortschrittlichen Landoberflächenhydrologiemodells mit dem Penn State-NCAR MM5-Modellierungssystem. Teil I: Modellimplementierung und Sensitivität. Mo. Wea. Rev. 129, 569–585 (2001).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%282001%29129%3C0569%3ACAALSH%3E2.0.CO%3B2" aria-label="Article reference 46" data-doi="10.1175/1520-0493(2001)1292.0.CO;2">Artikel Google Scholar

Thompson, G. & Eidhammer, T. Eine Studie über Aerosolauswirkungen auf Wolken und Niederschlagsentwicklung in einem großen Winterzyklon. J. Atmos. Wissenschaft. 71, 3636–3658 (2014).

Artikel Google Scholar

Janjić, ZI Nichtsinguläre Implementierung des Mellor-Yamada-Level-2.5-Schemas im NCEP-Meso-Modell. NCEP Office Note 437, 61 Seiten (2002).

Kleinman, LI et al. Schnelle Entwicklung von Aerosolpartikeln und ihre optischen Eigenschaften vor dem Wind von Waldbränden im Westen der USA. Atmosphäre. Chem. Physik. 20, 13319–13341 (2020).

Artikel CAS Google Scholar

Zaveri, RA, Easter, RC, Fast, JD & Peters, LK Modell zur Simulation von Aerosolwechselwirkungen und Chemie (MOSAIC). J. Geophys. Res. 113, D13204 (2008).

Thompson, G., Rasmussen, RM & Manning, K. Explizite Vorhersagen von Winterniederschlägen mithilfe eines verbesserten Schemas der Massenmikrophysik. Teil I: Beschreibung und Sensitivitätsanalyse. Mo. Wea. Rev. 132, 519–542 (2004).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%282004%29132%3C0519%3AEFOWPU%3E2.0.CO%3B2" aria-label="Article reference 51" data-doi="10.1175/1520-0493(2004)1322.0.CO;2">Artikel Google Scholar

Nakanishi, M. & Niino, H. Ein verbessertes Mellor-Yamada-Level-3-Modell mit Kondensationsphysik: sein Design und seine Verifizierung. Grenzschicht-Meteorol. 112, 1–31 (2004).

Artikel Google Scholar

Lyapustin, A. et al. Mehrwinkelimplementierung der atmosphärischen Korrektur (MAIAC): 2. Aerosol-Algorithmus. J. Geophys. Res. 116, D03211 (2011).

Lyapustin, A., Wang, Y., Korkin, S. & Huang, D. MODIS Collection 6 MAIAC-Algorithmus. Atmosphäre. Mess. Technik. 11, 5741–5765 (2018).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde durch die folgenden Zuschüsse unterstützt: NASA 80NSSC18K0629, NASA 80NSSC20K1650, NASA 80NSSC18K0685, NOAA NA18OAR4310107, NSF 2013461. Ressourcen zur Unterstützung dieser Arbeit wurden vom NASA High-End Computing (HEC) Program über das NASA Center for Climate Simulation bereitgestellt ( NCCS) am Goddard Space Flight Center (GSFC). Die FIREX-AQ-Daten werden von der National Aeronautics and Space Administration, der US-Regierung, der NASA/LARC/SD/ASDC (https://doi.org/10.5067/ASDC/FIREXAQ_Ground_InSitu_Data_1. https://espo.nasa.gov/firex) archiviert -aq). RA und EJ danken dem JPSS PGRR-Programm der NOAA für die Finanzierung und dem Rest des HRRR-Smoke-Teams und den Mitarbeitern für die Unterstützung bei der Modellentwicklung. CI erkennt die Unterstützung des NOAA Educational Partnership Program for Minority Serving Institutions (NOAA/EPP/MSI) gemäß der Vereinbarung Nr. an. NA16SEC4810006 sowie Jeffrey Myers und das MASTER-Instrumententeam für die luftgestützte Instrumentenkalibrierung und Brandbeobachtung. SK dankt Chuanyu Xu für die Hilfe bei der Verarbeitung der MASTER-Daten. Die in diesem Manuskript geäußerten Ansichten sind die der Autoren und spiegeln nicht die Ansichten der NOAA oder des Handelsministeriums wider.

Abteilung für Atmosphären- und Ozeanwissenschaften, University of California, Los Angeles, Los Angeles, CA, USA

Laura H. Thapa, Xinxin Ye und Pablo E. Saide

NASA Langley Research Center, Hampton, VA, USA

Johnathan W. Hair, Marta A. Fenn, Taylor Shingler und Amber J. Soja

Science Systems and Applications Inc, Hampton, VA, USA

Marta A. Fenn und Luke Ellison

NOAA NESDIS Center for Satellite Applications and Research, College Park, MD, USA

Shobha Kondragunta

Abteilung für interdisziplinäre Studien, Howard University, Washington, DC, USA

Charles Ichoku

Bay Area Environmental Research Institute (BAERI), Moffett Field, CA, USA

RoseAnne Dominguez

NASA Goddard Space Flight Center, Greenbelt, MD, USA

Luke Ellison

Nationales Institut für Luft- und Raumfahrt, Hampton, VA, USA

Amber J. Soja & Emily Gargulinski

CIRES, University of Colorado Boulder, Boulder, CO, USA

Ravan Ahmadov und Eric James

NOAA Global Systems Laboratory, Boulder, CO, USA

Ravan Ahmadov, Eric James und Georg A. Grell

Nationales Institut für Weltraumforschung – INPE, São Paulo, Brasilien

Saulo R. Freitas

Bundesuniversität São João del-Rei, São João del-Rei, MG, Brasilien

Gabriel Pereira

Institut für Umwelt und Nachhaltigkeit, University of California, Los Angeles, Los Angeles, CA, USA

Pablo E. Saide

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Jeder Autor trug wie folgt bei: LHT entwarf die Studie, schrieb MATLAB-Skripte zur Generierung aller Zahlen, analysierte die Daten und verfasste die Arbeit mit Beiträgen aller Co-Autoren. XY stellte Matlab-Skripte zur Verfügung, um Vorhangdiagramme von DIAL-HSRL, WRF-Chem und HRRR-Smoke zu erstellen und relevante Variablen aus dem Modell zu extrahieren. JWH, MAF und TS führten DIAL-HSRL-Beobachtungen durch. SK verarbeitete die MASTER-L1B-Daten und trug zum MASTER- und Satellitenvergleich bei, einschließlich der zur Erstellung von Abb. S55 verwendeten Daten. CI und LE verarbeiteten MASTER-Beobachtungen und generierten die MASTER FRP L2-Datendateien mit ihrem ursprünglichen Algorithmus. RD führte MASTER-Beobachtungen durch und lieferte diese. AJS und EG halfen bei der Interpretation der Ergebnisse und lieferten die Kraftstoffinformationen, die zur Erstellung von Abb. 2 verwendet wurden. RA, EJ, GAG und GP lieferten HRRR-Rauchprognosedaten und Emissionen. SRF stellte den eigenständigen 1D-Fahnenanstiegscode zur Verfügung und half bei der Interpretation der Ergebnisse. PES entwarf die Studie, stellte MATLAB-Skripte zur Erstellung von Curtain-Plots zur Verfügung, redigierte das Manuskript und beriet LHT während des Projekts.

Korrespondenz mit Laura H. Thapa oder Paul E. Saide.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Communications Earth & Environment dankt den anonymen Gutachtern für ihren Beitrag zum Peer-Review dieser Arbeit. Hauptredakteure: Kerstin Schepanski und Clare Davis. Peer-Reviewer-Berichte sind verfügbar.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Thapa, LH, Ye, X., Hair, JW et al. Annahmen zum Wärmefluss tragen dazu bei, dass die Rauchinjektion von Waldbränden in die freie Troposphäre überschätzt wird. Commun Earth Environ 3, 236 (2022). https://doi.org/10.1038/s43247-022-00563-x

Zitat herunterladen

Eingegangen: 19. August 2021

Angenommen: 23. September 2022

Veröffentlicht: 10. Oktober 2022

DOI: https://doi.org/10.1038/s43247-022-00563-x

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.