首页 > 业界 > 关键词  > 正文

NASA的太阳光多波长数据为气候模型提供了足够的研究资料

2021-05-17 20:50 · 稿源: cnbeta

你是否曾经在一个晴朗的日子里穿了一件深色的T恤,并在太阳光的照射下感受到面料的温暖?我们大多数人都知道深色吸收太阳光,浅色反射太阳光--但你知道在太阳的非可见波长中,这种方式并不一样吗?

太阳是地球的动力源,它以可见光、紫外线辐射(波长较短)和近红外辐射(波长较长,我们感觉到的是热量)的形式发射能量。可见光从雪和冰等浅色表面反射出来,而森林或海洋等深色表面则吸收它。这种反射率称为反照率,是地球调节温度的一个关键方式,如果地球吸收的能量多于反射的能量,它就会变暖,如果它反射的能量多于吸收的能量,它就会变冷。

当科学家们把其他波长的影响混合代入时,情况就变得更加复杂。在光谱的近红外部分,像冰和雪这样的表面是不反射的--事实上,它们吸收近红外光的方式与深色T恤吸收可见光的方式很相似。

"人们认为雪是反射光的。它是如此闪亮,"位于纽约市的美国宇航局戈达德空间研究所所长、美国宇航局代理高级气候顾问加文-施密特说。"但事实证明,在光谱的近红外部分,它几乎是可以被看做是黑色的。"

显然,对于气候科学家来说,要获得太阳能如何进入和离开地球系统的全貌,他们需要包括除可见光之外的其他波长。

地球的能量预算是对从太阳接收的能量与辐射回太空的能量之间的微妙平衡的一种比喻。对地球能量预算的精确细节的研究对于理解地球的气候如何变化以及太阳能输出的变化至关重要。这就是美国宇航局的太阳总辐照度和光谱传感器(TSIS-1)发挥作用的地方。从国际空间站上的有利位置,TSIS-1不仅测量到达地球大气层的总太阳辐照度(能量),而且还测量每个波长的能量多少。这种测量被称为光谱太阳辐照度,或SSI。TSIS-1的光谱辐照度监测仪(SIM)由科罗拉多大学博尔德分校的大气和空间物理实验室开发,测量SSI的精度优于0.2%,或在真实SSI值的99.8%以内。

"有了TSIS-1,我们对可见光和近红外光的测量有了更大的信心,"密歇根大学气候和空间科学与工程系教授Xianglei Huang博士说。"你如何划分每个波长的能量量对平均气候有影响"。

落在地球上的光的成分对于理解地球的能量预算很重要。美国宇航局的太阳和光谱辐照度总传感器(TSIS-1)测量太阳在1000个不同波长的能量,包括可见光、紫外线和红外线,被称为太阳光谱辐照度。Huang和他在密歇根大学、位于马里兰州格林贝尔特的美国宇航局戈达德太空飞行中心和科罗拉多大学博尔德分校的同事最近首次在全球气候模型中使用TSIS-1 SSI数据。戈达德的TSIS-1项目科学家Dong Wu说:"过去有几项研究使用各种SSI输入来分析气候模型的敏感性" ,然而,这项研究是第一次调查新数据如何改变地球两极的太阳能反射和吸收模型。

他们发现,当他们使用新的数据时,与使用旧的太阳数据相比,模型在冰和水吸收和反射多少能量方面显示出统计上的重大差异。该团队运行了名为社区地球系统模型(CESM2)的模型两次:一次是使用18个月期间平均的TSIS-1新数据,另一次是使用基于NASA退役的太阳辐射和气候实验(SORCE)数据的旧的、重建的平均值。

研究小组发现,与老的SORCE重建数据相比,TSIS-1的数据在可见光波长中存在更多的能量,而在近红外波长中的能量较少。这些差异意味着在TSIS-1的运行中,海冰吸收的能量更少,反射的能量更多,因此极地温度降低0.5到1.3华氏度,夏季海冰的覆盖量就可以增加了约2.5%。

"我们想知道新的观测数据与以前的模型研究中使用的观测数据如何比较,以及这如何影响我们对气候的看法,"主要作者Xianwen Jing博士说,他作为密歇根大学气候与空间科学和工程系的博士后学者进行了这项研究。"如果可见光波段的能量较多,而近红外波段的能量较少,这将影响表面吸收的能量的多少。这可以影响海冰的生长或收缩,以及高纬度地区的寒冷程度"。

这告诉我们,除了监测太阳总辐照度之外,我们还需要密切关注光谱。虽然更准确的SSI信息不会改变气候变化的大局,但它可能帮助建模者更好地模拟不同波长的能量如何影响气候过程,如冰的行为和大气化学。

作者警告说,即使新的数据使极地气候看起来有所不同,但在科学家能够利用它来预测未来的气候变化之前,仍有更多的步骤要做。该团队的下一步包括调查TSIS数据如何影响低纬度地区的模型,以及在未来继续观测,以观察SSI在整个太阳周期中的变化。

了解更多关于太阳光所有的波长如何与地球表面和系统相互作用将为科学家以模拟现在和未来的气候提供更多和更好的信息。在TSIS-1及其后续的TSIS-2(将于2023年在NASA自己的航天器上发射)的帮助下,NASA正在实现解释地球的能量平衡以及它是如何变化的。

举报

  • 相关推荐
  • 国产六大推理模型激战OpenAI?

    2025年春节前夕,DeepSeek-R1模型发布,标志着中国AI进入推理模型新时代。文章梳理了国产大模型发展历程:从2022年ChatGPT引发国内追赶OpenAI热潮,到2023年"百模大战",再到2024年"AI六小虎"格局形成。重点分析了六大国产推理模型(DeepSeek、百度、阿里、科大讯飞、字节、腾讯)的技术特点与市场表现,指出国产模型在性能上已接近GPT-4水平。特别强调科大讯飞星火X1凭借全国产化技术路线获得政企青睐,以及DeepSeek-R1以560万美元超低成本实现高性能的突破。文章还探讨了英伟达芯片断供危机下,国产全栈技术路径的重要性,认为自主可控将成为对抗国际不确定性的关键。最后指出,随着推理模型成为竞争焦点,国产大模型正从技术追随转向自主创新阶段。

  • 为编程而生?OpenAI 发布 GPT -4.1 系列模型

    OpenAI 表示,GPT-4.1 是为开发者量身定制的……

  • 刚刚,OpenAI发布新文生图模型,免费、逼真到难以分辨

    今天凌晨2点,OpenAI进行了技术直播,对GPT-4o和Sora进行了重大更新,提供了全新文生图模型。除了文生图之外,该模型还支持自定义操作、连续发问、风格转换、图像PPT等超实用功能,例如,更改图片的宽高比、图像物体中的角度,用十六进制代码指定精确颜色等。面向企业版、教育版和API即将到来。

  • 媲美OpenAI-o3,刚刚开源模型DeepCoder,训练方法、数据集大公开

    今天凌晨4点,著名大模型训练平台TogetherAI和智能体平台Agentica,联合开源了新模型DeepCoder-14B-Preview。该模型只有140亿参数,但在知名代码测试平台LiveCodeBench的测试分为60.6%,高于OpenAI的o1模型,略低于o3-mini。TogetherAI刚获得3.05亿美元的B轮融资,其估值也从去年的12.5亿美元翻倍至33亿美元。

  • 远离数据隐私泄露风险,绿联NAS守护你的数据安全

    隐私泄露的问题又再度引发了大家的关注和担忧,不少人开始为自己在网盘的数据是否安全感到担忧,也意识到网盘存储存在的风险,开始将目光投向了私有云领域。相较于网盘的“云端裸奔”风险,绿联NAS通过技术革新与功能升级,正在重新定义数字资产的安全边界。在数据安全问题日益严峻的当下,绿联NAS对于数据安全的严谨守护不仅为消费者提供了网盘之外的可靠选择�

  • 微信,OpenAI和Kimi想一起去了:大模型的尽头依然还是社交平台

    AI圈最近弥漫着一股微妙的气息。人们似乎不再热议大语言模型的最新突破、以及AI应用的无限可能时,一些代表着未来的AI巨头,却似乎正将目光投向互联网那熟悉得不能再熟悉的角落——社交网络与社区。近期的传闻和动作颇具代表性,在大洋彼岸,手握ChatGPT和Sora等王牌的OpenAI,据称正内部测试类X的社交功能,其CEO Sam Altman甚至在私下征求反馈;而在国内,凭借长文本能力

  • AI 大模型的困境:数据才是真正的“燃料”

    一旦掉入AI坟场,幻觉将永远存在,噩梦才刚开始。最近有许多客户在考虑上AI大模型一体机、AI私有化、AI大模型部署等项目,但小心进入AI大模型的坟场,在光鲜亮丽的背后,AI大模型也面临着诸多困境,其中最为核心的问题便是数据。只有拥有高质量、多样化、易于管理的数据,AI大模型才能发挥出其真正的潜力,为企业带来更大的价值。

  • 被吉卜力刷屏的背后:OpenAI模型行为负责人揭秘GPT-4o新生成策略

    为什么我们会被吉卜力刷屏?原来是OpenAI故意放宽限制。OpenAI革新的GPT-4o图像功能给大家带来了不少乐趣,各路社交媒体都被「吉卜力」风格的图像、视频刷了屏。如果你有更合理的猜想,欢迎在评论区留言。

  • 刚刚,OpenAI发布GPT-image-1模型,更强吉卜力版本来啦

    OpenAI发布全新图像生成模型GPT-image-1,通过API向全球开发者开放。该模型支持精细控制图像敏感度、生成效率、背景、输出格式等参数,并集成吉卜力模式。Adobe、Figma等企业已将其应用于产品中。API支持批量生成、蒙版编辑、透明度调整等高级功能,图像生成成本从0.02-0.19美元/张不等。CEO Sam Altman表示该模型与ChatGPT版本差异显著,开发者可通过API实现更多创意场景。新模型在�

  • o3模型基准测试分数仅为10%,远低于OpenAI宣传的25%

    OpenAI的新AI模型o3在第一方和第三方基准测试中存在差异,引发公众对其透明度和测试实践的质疑。去年12月,o3首次亮相时声称能解答超过25%的FrontierMath问题,但实际正确率仅为2%。内部测试发现,o3能达到超过25%的准确率,但其使用的计算资源比上周OpenAI推出的模型多得多。Epoch AI发布的独立基准测试结果显示,o3的得分约为10%,远低于OpenAI宣称的25%。尽管如此,这并不意味着OpenAI的说法有误,可能是因为OpenAI使用了更强大的内部架构进行评估,并采用了更多计算资源。此外,Epoch指出其测试设置可能与OpenAI不同,并且在评估中使用了更新版本的FrontierMath。