Ozon is een atmosferisch bestanddeel dat niet alleen de gezondheid van de mens aantast, maar ook de vegetatie, vooral eenjarige gewassen. Dus, ozon kan het gebruik van land en water beïnvloeden. Het detecteren van stijgingen en dalingen van ozon en andere bestanddelen binnen een bepaald gebied of tijdsbestek is moeilijk. Waarom? Het ozonsignaal wordt overspoeld door natuurlijke variaties of cycli. Nutsvoorzieningen, onderzoekers ontwikkelden een methode om het signaaldetectievermogen van de luchtkwaliteit in een groot deel van de continentale Verenigde Staten te optimaliseren. Hun methode maakt gebruik van ruimtelijke en temporele middelingsschalen.

De nieuwe detectiemethode voor luchtkwaliteitssignalen zou het inzicht van onderzoekers in en het vermogen om trends in de luchtkwaliteit te volgen, kunnen verbeteren. Het kan niet alleen worden toegepast op ozongegevens aan het oppervlak, maar ook op een breed scala aan gemodelleerde of waarnemingsgegevens.

Werken met gesimuleerde en waargenomen oppervlakte-ozongegevens binnen de Verenigde Staten over een periode van 25 jaar, de onderzoekers analyseerden hoe de omvang van de variabiliteit van de gegevens als gevolg van meteorologie afhing van de ruimtelijke (kilometers) of temporele (jaren) schaal waarover de gegevens werden gemiddeld. Omdat ze zich verdiepten in de omvang van de regio en het tijdsbestek dat nodig is om een ​​duidelijk signaal van verandering van de luchtkwaliteit binnen de dataset te verkrijgen, ze bepaalden effectief het risico van een onvoldoende representatieve steekproef bij het middelen van de gegevens over een te kleine regio of tijdsbestek.

Zoals verwacht, ze ontdekten dat gemiddelden over een groter gebied en een groter tijdsbestek, die de "ruis" van natuurlijke variabiliteit vermindert, zal de nauwkeurigheid van de signaaldetectie vergroten. De meest opvallende bevinding van de onderzoekers was dat over een groot deel van de continentale Verenigde Staten, ze konden de meest gevoelige signaaldetectiecapaciteit bereiken door specifieke ruimtelijke en temporele middelingsschalen strategisch te combineren. Met andere woorden, ze ontwikkelden een manier om systematisch de "sweet spot" van een dataset te identificeren - het aantal kilometers en jaren waarover de gegevens moeten worden gemiddeld om het signaal het meest efficiënt te detecteren. Voor de moeilijkst te detecteren signalen, ze adviseerden om de gegevens te middelen over 10 tot 15 jaar en over een gebied dat zich uitstrekt tot enkele honderden kilometers.