讀圖

編輯 賈朋群

用氣候和土地利用模式解析生態系統功能

德國等多國學者在研究氣候和土地利用與熱帶山區生物多樣性聯系時，用5個氣候和土地利用強度（LUI）模式組合，與非洲最大的Kilimanjaro山脈的30個生態功能指示因子建立聯系。圖中給出所有生態功能的Pearson相關矩陣。

來源：Nature

用模式認識大氣環流

英國等4國學者在一項最新發表的研究中，從不同層次的天氣氣候模式角度，梳理了人類對大氣環流的認識歷程。圖中對簡單大氣模式與用于天氣氣候預報復雜模式（即大氣GCM，或AGCM模式）之間按照方程（動力）、邊界層過程、非絕熱處理、尺度（不同區域尺度和分辨率的對流組織）等角度進行了歸類解析分析。

來源：Reviews of Geophysics

冰川減少與海平面上升

瑞士等多國學者梳理了1961—2016年全球19個一階區域（圖中用黑線區分）累積的區域和全球冰川質量平衡及其對海平面上升的貢獻。其中，阿拉斯加地區總質量改變約為-3000 Gt，相當于海平面上升8 mm，是最大的貢獻區域。

來源：Nature

冷池形成和維持及其與地形和大氣穩定性的聯系

英國氣象局學者Sheridan在最新發表的研究中，梳理了冷池（CAP）與地形尺度和大氣穩定性方面的相互作用的機制，給出了這一普遍存在卻構成從預報角度看，在復雜地形上形成的穩定邊界層利用數值預報往往難以駕馭的天氣。研究中，作者從圖中所示的（a）支持或（b）減緩CAP形成，以及（c）導致其解體的輻射、局地和天氣尺度動力因子構成圖出發，分析了這一特殊天氣與地形尺度及背景流程等的關系。

來源：Quarterly Journal of the Royal Meteorological Society

區域氣候模擬30年

2019年是第一個區域氣候模式（RCM）開發30年，為此意大利學者梳理了該領域30年來的成就，回答了RCM的目前位置在哪里以及今后向何處發展等問題。圖為最新的協調區域降尺度試驗（Coordinated Regional Downscaling Experiment ，CORDEX）的概念框架。

來源：Journal of Geophysical Research: Atmospheres

全球物種受到威脅

聯合國（政府間生物多樣性和生態系統功能科學政策平臺，IBPES）最新發表的研究報告初稿表明，全球多達100萬植物和動物物種，可能在數十年內消失。報告分析了近50年人類活動給地球生態系統帶來的影響。據悉，完整的報告將在今年晚些時候發布。

來源：IBPES

河流連通性：生態系統的重要保障

自由流淌的河流支持全球生態系統的多樣性、復雜結構和動力特征。但是，河水受到人類設施的阻礙，自由流通狀態對很多河流來講都受到挑戰，從而會構成對生態系統的威脅。加拿大等多國學者研究了全球總長度達到120萬 km的河流的互通狀態，發現在長度超過1000 km的河流中，僅有37%在整個河流長度內保持自由流淌，有23%不間斷流向海洋。圖中給出用連通狀態指數（connectivity status index，CSI）展示全球河流連通性狀態。

來源：Nature

青藏高原湖泊水面溫度系列

湖泊僅占地球陸地面積的1.8%，卻是生態系統和水供給的重要因素，在高原地區尤其如此。北京大學學者與合作者一起，借助衛星遙感數據，建立了1981—2015年青藏高原拔海2500 m以上區域共17個流域面積在80 km2以上的97個湖泊（如圖所示）表面水溫度系列數據。

來源：Nature - Scientific Data

碳衛星就位空間站：OCO-3監測可期

NASA的軌道碳監測-3（ Orbiting Carbon Observatory-3，OCO-3）衛星2019年5月初進入國際空間站，該衛星將收集地球大氣中二氧化碳是如何運動的數據。該衛星較之前的碳衛星比較，能夠監測更廣泛的地區和獲得更高分辨率的數據。研究者希望借助從現在到未來3年OCO-3提供的數據，進一步認識地球碳循環，進而提升對氣候變化的預報能力。

來源：NASA

與5G為鄰：氣象衛星探測面臨的全球問題

5G技術發展依托的無線電頻段與氣象衛星探測所用頻段嚴重重合，已經因美國開始拍賣5G頻段引起越來越多學者關注。因為水汽等重要氣象要素會在相關頻段上釋放出信號，利用這些窗口頻段，氣象衛星才有可能監測到這些氣象要素的時空分布，而如果這些專用探測頻段與 “吵鬧” 的5G為鄰，即使采用過濾等手段，也很難完全消除干擾。據悉，今年10月世界各地監管機構將在埃及召開會議，商議可商用的5G頻段。

來源：Nature

機器學習：透視地球數據

美國學者在一篇評述機器學習在固體地球科學數據驅動的發現中應用時，梳理了科學家分析數據的過程，解釋了常規和機器學習在科學分析中的不同：機器學習類似于通過新的透鏡審視數據，而傅里葉分析這樣的常規分析方法，則被提前選擇好并用于檢驗一個猜想或簡單展示數據的不同。機器學習無疑具有更大的功能空間，將數據與一些目標或標簽聯系在一起。

來源：Science