Evaluation of a multi-model, multi-constituent assimilation framework for tropospheric chemical reanalysis
Notice bibliographique
Résumé
We introduce a Multi-mOdel Multi-cOnstituent Chemical data assimilation (MOMO-Chem) framework that directly accounts for model error in transport and chemistry, and we integrate a portfolio of data assimilation analyses obtained using multiple forward chemical transport models in a state-of-the-art ensemble Kalman filter data assimilation system. The data assimilation simultaneously optimizes both concentrations and emissions of multiple species through ingestion of a suite of measurements (ozone, NO 2 , CO, HNO 3 ) from multiple satellite sensors. In spite of substantial model differences, the observational density and accuracy was sufficient for the assimilation to reduce the multi-model spread by 20 %–85 % for ozone and annual mean bias by 39 %–97 % for ozone in the middle troposphere, while simultaneously reducing the tropospheric NO 2 column biases by more than 40 % and the negative biases of surface CO in the Northern Hemisphere by 41 %–94 %. For tropospheric mean OH, the multi-model mean meridional hemispheric gradient was reduced from 1.32±0.03 to 1.19±0.03, while the multi-model spread was reduced by 24 %–58 % over polluted areas. The uncertainty ranges in the a posteriori emissions due to model errors were quantified in 4 %–31 % for NO x and 13 %–35 % for CO regional emissions. Harnessing assimilation increments in both NO x and ozone, we show that the sensitivity of ozone and NO 2 surface concentrations to NO x emissions varied by a factor of 2 for end-member models, revealing fundamental differences in the representation of fast chemical and dynamical processes. A systematic investigation of model ozone response and analysis increment in MOMO-Chem could benefit evaluation of future prediction of the chemistry–climate system as a hierarchical emergent constraint.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».