Evaluation of ACCMIP outgoing longwave radiation from tropospheric ozone using TES satellite observations
Notice bibliographique
Résumé
Abstract. We use simultaneous observations of tropospheric ozone and outgoing longwave radiation (OLR) sensitivity to tropospheric ozone from the Tropospheric Emission Spectrometer (TES) to evaluate model tropospheric ozone and its effect on OLR simulated by a suite of chemistry-climate models that participated in the Atmospheric Chemistry and Climate Model Intercomparison Project (ACCMIP). The ensemble mean of ACCMIP models show a persistent but modest tropospheric ozone low bias (5–20 ppb) in the Southern Hemisphere (SH) and modest high bias (5–10 ppb) in the Northern Hemisphere (NH) relative to TES ozone for 2005–2010. These ozone biases have a significant impact on the OLR. Using TES instantaneous radiative kernels (IRK), we show that the ACCMIP ensemble mean tropospheric ozone low bias leads up to 120 mW m−2 OLR high bias locally but zonally compensating errors reduce the global OLR high bias to 39 ± 41 m Wm−2 relative to TES data. We show that there is a correlation (R2 = 0.59) between the magnitude of the ACCMIP OLR bias and the deviation of the ACCMIP preindustrial to present day (1750–2010) ozone radiative forcing (RF) from the ensemble ozone RF mean. However, this correlation is driven primarily by models whose absolute OLR bias from tropospheric ozone exceeds 100 m Wm−2. Removing these models leads to a mean ozone radiative forcing of 394 ± 42 m Wm−2. The mean is about the same and the standard deviation is about 30% lower than an ensemble ozone RF of 384 ± 60 m Wm−2 derived from 14 of the 16 ACCMIP models reported in a companion ACCMIP study. These results point towards a profitable direction of combining satellite observations and chemistry-climate model simulations to reduce uncertainty in ozone radiative forcing.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».