Les dommages causés par l'ozone commencent sous forme de pointillés, qui sont des points noirs, visible sur le côté gauche de cette feuille de haricot mange-tout. Les taches brunes à anneaux jaunes plus étendues sur le dessus et le côté droit de cette feuille témoignent de graves dommages causés par l'ozone. Crédit :Danica Lombardozzi, Centre national de recherche atmosphérique
L'ozone est un constituant atmosphérique qui affecte non seulement la santé humaine mais aussi la végétation, surtout les cultures annuelles. Ainsi, l'ozone peut avoir un impact sur l'utilisation des terres et de l'eau. Il est difficile de détecter les augmentations et les diminutions de l'ozone et d'autres constituants dans une certaine zone ou période de temps. Pourquoi? Le signal d'ozone est submergé par des variations ou des cycles naturels. Maintenant, les chercheurs ont développé une méthode pour optimiser la capacité de détection des signaux de qualité de l'air sur une grande partie de la zone continentale des États-Unis. Leur méthode utilise des échelles de moyenne spatiale et temporelle.
La nouvelle méthode de détection des signaux de qualité de l'air pourrait améliorer la compréhension et la capacité des chercheurs à suivre les tendances de la qualité de l'air. Elle peut être appliquée non seulement aux données sur l'ozone de surface, mais également à un large éventail de données modélisées ou d'observation.
Travailler avec des données d'ozone de surface simulées et observées aux États-Unis couvrant une période de 25 ans, les chercheurs ont analysé comment l'ampleur de la variabilité des données due à la météorologie dépendait de l'échelle spatiale (kilomètres) ou temporelle (années) sur laquelle les données étaient moyennées. Alors qu'ils se concentraient sur l'étendue de la région et le délai nécessaires pour obtenir un signal clair du changement de la qualité de l'air dans l'ensemble de données, ils ont effectivement déterminé le risque d'obtenir un échantillon insuffisamment représentatif en faisant la moyenne des données sur une région ou une période trop petite.
Comme prévu, ils ont constaté qu'en faisant la moyenne sur une plus grande zone et une plus grande période de temps, qui réduit le "bruit" de la variabilité naturelle, augmentera la précision de détection du signal. La découverte la plus importante des chercheurs est que, dans une grande partie de la zone continentale des États-Unis, ils pourraient atteindre la capacité de détection de signal la plus sensible en combinant stratégiquement des échelles de moyenne spatiale et temporelle spécifiques. En d'autres termes, ils ont développé un moyen d'identifier systématiquement le "sweet spot" d'un ensemble de données, le nombre de kilomètres et d'années sur lesquels faire la moyenne des données afin de détecter le signal le plus efficacement possible. Pour les signaux les plus difficiles à détecter, ils ont recommandé de faire la moyenne des données sur 10 à 15 ans et sur une zone s'étendant jusqu'à plusieurs centaines de kilomètres.
