Links Between Carbon Monoxide and Climate Indices for the Southern Hemisphere and Tropical Fire Regions
Notice bibliographique
Résumé
Abstract In the Southern Hemisphere and tropics, the main contribution to carbon monoxide (CO) variability is from fire emissions, which are connected to climate through the availability, type, and dryness of fuel. Here we assess the data‐driven relationships between CO and climate, aiming to predict atmospheric loading during fire seasons. Observations of total column CO from the Measurements Of Pollution In The Troposphere satellite instrument are used to build a record of monthly anomalies between 2001 and 2016, focusing on seven biomass burning regions of the Southern Hemisphere and tropics. With the exception of 2015, the range of absolute variability in CO is similar between regions. We model CO anomalies in each of the regions using climate indices for the climate modes: El Niño–Southern Oscillation, Indian Ocean Dipole, Tropical South Atlantic, and Antarctic Oscillation. Stepwise forward and backward variable selection is used to choose from statistical regression models that use combinations of climate indices, at lag times between 1 and 8 months relative to CO anomalies. The Bayesian information criterion selects models with the best predictive power. We find that all climate mode indices are required to model CO in each region, generally explaining over 50% of the variability and over 70% for tropical regions. First‐order interaction terms of the climate modes are necessary, producing greatly improved explanation of CO variability over single terms. Predictive capability is assessed for the Maritime Southeast Asia and the predicted peak CO anomaly in 2015 is within 20% of the measurements.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».