Kann maschinelles Lernen die Lücken in der satellitengestützten Überwachung von Kohlendioxid schliessen? Diese Studie schlägt ein Framework für maschinelles Lernen vor, um säulengemittelte Trockenluft-Molenbruch-CO2-Messungen (XCO2) von GOSAT- und OCO-2-Satelliten zusammenzuführen und so die Einschränkungen in der räumlich-zeitlichen Abdeckung und die Verzerrungen zwischen verschiedenen Satellitenmessungen zu beheben. Das beste Modell erreichte eine verbesserte Konsistenz der GOSAT-Messungen, indem es 71,5 % der durchschnittlichen monatlichen Verzerrung reduzierte und gleichzeitig OCO-2-Messungen als Referenz verwendete. Die Einbeziehung der angepassten GOSAT-Messungen in den OCO-2-Datensatz erhöhte die Beobachtungsabdeckung und verbesserte die jährliche zeitliche Abdeckung um 53,6 %. Die Methode des maschinellen Lernens maximiert die Satellitenressourcen für eine robustere Kohlenstoffflussinversion. Die Studie zeigt das Potenzial, die Beobachtungsabdeckung zu verbessern und die Genauigkeit der Kohlenstoffzyklusüberwachung mithilfe von Satellitendaten zu erhöhen.
Veröffentlicht in Geophysical Research Letters, ist diese Studie für den Fokus der Zeitschrift auf bahnbrechende Forschung in den Geowissenschaften von grosser Bedeutung. Durch die Verbesserung der Konsistenz und Abdeckung von satellitengestützten CO2-Messungen trägt die Forschung zu einem genaueren Verständnis des Kohlenstoffzyklus und seiner Reaktion auf den Klimawandel bei und steht im Einklang mit dem Schwerpunkt der Zeitschrift auf der Förderung geophysikalischen Wissens.