Improving the temporal and spatial distribution of CO <sub>2</sub> emissions from global fossil fuel emission data sets
Notice bibliographique
Résumé
Through an analysis of multiple global fossil fuel CO 2 emission data sets, Vulcan emission data for the United States, Canada's National Inventory Report, and NO 2 variability based on satellite observations, we derive scale factors that can be applied to global emission data sets to represent weekly and diurnal CO 2 emission variability. This is important for inverse modeling and data assimilation of CO 2 , which use in situ or satellite measurements subject to variability on these time scales. Model simulations applying the weekly and diurnal scaling show that, although the impacts are minor far away from sources, surface atmospheric CO 2 is perturbed by up to 1.5−8 ppm and column‐averaged CO 2 is perturbed by 0.1−0.5 ppm over some major cities, suggesting the magnitude of model biases for urban areas when these modes of temporal variability are not represented. In addition, we also derive scale factors to account for the large per capita differences in CO 2 emissions between Canadian provinces that arise from differences in per capita energy use and the proportion of energy generated by methods that do not emit CO 2 , which are not accounted for in population‐based global emission data sets. The resulting products of these analyses are global 0.25° × 0.25° gridded scale factor maps that can be applied to global fossil fuel CO 2 emission data sets to represent weekly and diurnal variability and 1° × 1° scale factor maps to redistribute spatially emissions from two common global data sets to account for differences in per capita emissions within Canada.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».