Opis projektu
Rewolucyjne podejście do monitorowania emisji gazów cieplarnianych
Jeśli nie ograniczymy emisji gazów cieplarnianych, zmiana klimatu może doprowadzić do nieprzewidywalnych konsekwencji środowiskowych. Trudność wiąże się między innymi z dokładnym pomiarem globalnych emisji gazów cieplarnianych i odkrywaniem nieznanych źródeł. Zadania tego nie ułatwia fakt, że obecne szacunki opierają się na nieprecyzyjnych obliczeniach oddolnych. Finansowany przez Europejską Radę ds. Badań Naukowych projekt CoSense4Climate zakłada wykorzystanie matematycznej teorii próbkowania oszczędnego („compressed sensing”, CS) w celu zrewolucjonizowania badań inwersji atmosferycznej. Wykorzystując potencjał próbkowania oszczędnego, zwykle stosowanego w przetwarzaniu sygnału i obrazów, projekt powinien doprowadzić do osiągnięcia niezrównanej dokładności w zakresie ilościowego określania i lokalizowania źródeł emisji gazów cieplarnianych, przy czym analizy takie będą mogłyby być prowadzone przy mniejszym zapotrzebowaniu na dane. Ogólnie rzecz biorąc, projekt zakłada wyznaczenie nowego standardu w dziedzinie monitorowania emisji gazów cieplarnianych, co powinno być niezwykle pomocne w walce ze zmianą klimatu.
Cel
Climate change is a defining issue of our time. Without significant, rapid greenhouse gas (GHG) emission reductions, we will face unpredictable consequences for climate and life. To effectively reduce GHGs, the emissions must be accurately quantified and unknown emitters found. However, measuring global GHG emissions is very challenging, and hence current emission inventories rely mostly on bottom-up calculations, which lack accuracy and the ability to detect unknown sources.
In CoSense4Climate, I will use the powerful mathematical theory of compressed sensing (CS) to revolutionize atmospheric inversion. My goal is to develop a method to locate, quantify, and attribute GHG emitters with unmatched spatial resolution and accuracy. CS has been used with great success in signal and image processing by taking advantage of the fact that most signals contain redundancies. Using CS in combination with domain transformations, I will generate accurate high resolution emission fields and reveal unknown sources, yet require less data than conventional methods. I will develop a CS inversion framework not only for local sensor data, but also for satellite data, which, upon success, will lead to a breakthrough in monitoring urban GHG emissions globally.
I am best suited to reach this goal. I have gathered a unique dataset with my fully automated differential column GHG network MUCCnet, the first of its kind. With my rich experience in applying computational fluid dynamics (CFD), solar-induced fluorescence (SIF), and machine learning (ML) for estimating GHG emissions, I will additionally create a high-resolution CFD-based atmospheric transport model, a satellite SIF-based urban CO2 biogenic flux model, and a ML method for source attribution based on ratios of GHG and air pollutant concentrations.
CoSense4Climate will establish a new standard for GHG emission monitoring, and provide ground-breaking scientific methods to help solve one of todays most urgent problem: climate change.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
- inżynieria i technologiaprzemysł maszynowyinżynieria pojazdówinżynieria lotnicza i kosmicznatechnika satelitarna
- inżynieria i technologiainżynieria elektryczna, inżynieria elektroniczna, inżynieria informatycznainżynieria elektronicznaczujniki
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Słowa kluczowe
- atmospheric science
- urban greenhouse gas emissions
- compressed sensing
- computational fluid dynamics
- solar-induced fluorescence
- machine learning
- sensor network
- atmospheric measurements
- atmospheric inverse modeling
- atmospheric transport modeling
- biogenic fluxes
- particle dispersion modeling
- ground based remote sensing
- satellite remote sensing
Program(-y)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Temat(-y)
System finansowania
HORIZON-ERC - HORIZON ERC GrantsInstytucja przyjmująca
80333 Muenchen
Niemcy