Regional and Urban Column CO Trends and Anomalies as Observed by MOPITT Over 16 Years
Notice bibliographique
Résumé
Abstract Atmospheric carbon monoxide (CO) concentrations have decreased since the beginning of the century, and the rate of decrease depends on the region. Depending on how regions are chosen, their boundaries may not always align with where there are differences in trends. To address this, we calculate trends within 0.4° × 0.4° grid cells independently throughout the globe using satellite CO retrievals from the Measurements Of Pollution In The Troposphere (MOPITT) satellite instrument from 2002 to 2017. These trends are found with the caveat that there are large singular biomass burning events somewhere nearly every year, and we include examples of large column CO anomalies during sporadic but large burning events in the North American and Eurasian boreal forests, the Amazon, Africa, and Indonesia. CO trends behave similarly within regions that span about a few thousand kilometers. Using TransCom region definitions, we find average trends between −0.9 and 0.1 ppb year −1 (about −0.9 to 0.1% year −1 ) for 2002–2017. Over 5‐year subsets, trends in TransCom regions vary between −3.6 and 1.8 ppb year −1 . This substantial spatial and temporal variability in trends is in agreement with other studies. With an understanding of regional trends, we compare with trends from urban areas. Generally, CO trends within urban areas are indistinguishable from regional trends. This may be because of a combination of noise in the data, the large footprint for MOPITT, or because anthropogenic CO reduction measures were implemented before the MOPITT record began. We provide case studies for a few cities, such as Los Angeles, and find long‐term variation in the rate of change of column CO.
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 | 0,001 |
| 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) | 0,002 | 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 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 ».