Quantifying methane point sources from fine-scale satellite observations of atmospheric methane plumes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract. Anthropogenic methane emissions originate from a large number of relatively small point sources. The planned GHGSat satellite fleet aims to quantify emissions from individual point sources by measuring methane column plumes over selected ∼10×10 km2 domains with ≤50×50 m2 pixel resolution and 1 %–5 % measurement precision. Here we develop algorithms for retrieving point source rates from such measurements. We simulate a large ensemble of instantaneous methane column plumes at 50×50 m2 pixel resolution for a range of atmospheric conditions using the Weather Research and Forecasting model (WRF) in large eddy simulation (LES) mode and adding instrument noise. We show that standard methods to infer source rates by Gaussian plume inversion or source pixel mass balance are prone to large errors because the turbulence cannot be properly parameterized on the small scale of instantaneous methane plumes. The integrated mass enhancement (IME) method, which relates total plume mass to source rate, and the cross-sectional flux method, which infers source rate from fluxes across plume transects, are better adapted to the problem. We show that the IME method with local measurements of the 10 m wind speed can infer source rates with an error of 0.07–0.17 t h-1+5 %–12 % depending on instrument precision (1 %–5 %). The cross-sectional flux method has slightly larger errors (0.07–0.26 t h-1+8 %–12 %) but a simpler physical basis. For comparison, point sources larger than 0.3 t h−1 contribute more than 75 % of methane emissions reported to the US Greenhouse Gas Reporting Program. Additional error applies if local wind speed measurements are not available and may dominate the overall error at low wind speeds. Low winds are beneficial for source detection but detrimental for source quantification.
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.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle