Combining GOSAT <i>X</i>CO<sub>2</sub> observations over land and ocean to improve regional CO<sub>2</sub> flux estimates
Notice bibliographique
Résumé
Abstract We used the GEOS‐Chem data assimilation system to examine the impact of combining Greenhouse Gases Observing Satellite (GOSAT) X CO 2 data over land and ocean on regional CO 2 flux estimates for 2010–2012. We found that compared to assimilating only land data, combining land and ocean data produced an a posteriori CO 2 distribution that is in better agreement with independent data and fluxes that are in closer agreement with existing top‐down and bottom‐up estimates. Adding X CO 2 data over oceans changed the tropical land regions from a source of 0.64 Pg C/yr to a sink of −0.60 Pg C/yr and produced a corresponding reduction in the estimated sink in northern and southern land regions by 0.49 Pg C/yr and 0.80 Pg C/yr, respectively. This highlights the importance of improved observational coverage in the tropics to better quantify the latitudinal distribution of the terrestrial fluxes. Based only on land X CO 2 data, we estimated a strong source in northern tropical South America, which experienced wet conditions in 2010–2012. In contrast, with the land and ocean data, we estimated a sink for this wet region in the north, and a source for the seasonally dry regions in the south and east, which is consistent with our understanding of the impact of moisture availability on the carbon balance of the region. Our results suggest that using satellite data with a more zonally balanced observational coverage could help mitigate discrepancies in CO 2 flux estimates; further improvement could be expected with the greater observational coverage provided by the Orbiting Carbon Observatory‐2.
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 ».