Ozon är en atmosfärisk beståndsdel som påverkar inte bara människors hälsa utan även växtlighet, särskilt ettåriga grödor. Således, ozon kan påverka mark- och vattenanvändningen. Det är svårt att upptäcka ökningar och minskningar av ozon och andra beståndsdelar inom ett visst område eller tidsram. Varför? Ozonsignalen överbelastas av naturliga variationer eller cykler. Nu, forskare utvecklade en metod för att optimera luftkvalitetssignaldetekteringsförmågan över stora delar av kontinentala USA. Deras metod använder rumsliga och tidsmässiga medelvärdesskalor.

Den nya metoden för detektering av luftkvalitetssignaler kan förbättra forskarnas förståelse för och förmåga att spåra luftkvalitetstrender. Den kan tillämpas inte bara på ozondata på ytan utan också på ett stort antal modellerade eller observationsdata.

Arbetar med simulerade och observerade ytozondata inom USA som täcker en 25-årsperiod, forskarna analyserade hur omfattningen av variabiliteten av data på grund av meteorologi berodde på den rumsliga (kilometer) eller tidsmässiga (år) skala över vilken data medelvärdet beräknades. När de insåg omfattningen av regionen och tidsramen som behövs för att få en tydlig signal om förändringar i luftkvaliteten inom datamängden, de fastställde effektivt risken för att få ett otillräckligt representativt urval när man beräknade ett genomsnitt av data över en för liten region eller tidsram.

Som förväntat, de fann att medelvärde över ett större område och tidsram, vilket minskar "bruset" från naturliga variationer, kommer att öka noggrannheten för signaldetektering. Forskarnas mest framträdande fynd var att över stora delar av det kontinentala USA, de skulle kunna uppnå den mest känsliga signaldetekteringsförmågan genom att strategiskt kombinera specifika rumsliga och tidsmässiga medelvärdesskalor. Med andra ord, de utvecklade ett sätt att systematiskt identifiera en datamängds "sweet spot" - antalet kilometer och år över vilka data ska snittas för att detektera signalen mest effektivt. För de signaler som är svårast att upptäcka, de rekommenderade att genomsnittet av data över 10 till 15 år och över ett område som sträcker sig upp till flera hundra kilometer.