Observationally-constrained estimates of global fine-mode AOD
Notice bibliographique
Résumé
Abstract. Small aerosols are mostly anthropogenic, and the fine-mode aerosol optical depth (fAOD) can be used to infer anthropogenic aerosol amounts. We estimate AOD and fAOD globally on a monthly time scale from 2001 to 2010 by integrating monthly satellite-based (MODIS and MISR) and ground-based (AERONET) observations. For fAOD, three integration methods are developed to utilize global coverage by satellite data and maximize the influence of AERONET data. We evaluate each method by applying the method without a few randomly-chosen AERONET data and comparing its output with the few AERONET data. The best method of the three is based on integrating the Ångström exponent (AE) data from MODIS, MISR and AERONET, and its output is closer to AERONET fAOD accuracy than MODIS or MISR fAOD over both ocean and land. Using our integrated data, we find that the global 2001–2010 average of 500 nm AOD and fAOD is 0.17 and 0.089, respectively. Eastern China as a region shows the largest decadal-mean fAOD. The linear trend of global AOD or global fAOD from 2001 to 2010 is found to be slightly negative. This decreasing trend is particularly pronounced over the West (Western Europe and US/Canada combined) where AOD and fAOD reductions are about −20%. By contrast, fAOD in India and eastern China combined increased slightly. These results reflect the overall anthropogenic aerosol emission reduction in the West, and stagnating conditions in Asia. Moreover, our results in the West are consistent with the so-called surface brightening phenomenon in the recent decades.
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) | 0,007 | 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 ».