 Ground-based GNSS for climate research: review and perspectives
Notice bibliographique
Résumé
<p>In climate research, the role of water vapour can hardly be overestimated. Water vapour is the most important natural greenhouse gas and is responsible for the largest known feedback mechanism for amplifying climate change. It also strongly influences atmospheric dynamics and the hydrologic cycle through surface evaporation, latent heat transport and diabatic heating, and is, in particular, a source of clouds and precipitation.</p><p>Atmospheric water vapour is highly variable, both in space and in time. Therefore, measuring it remains a demanding and challenging task. The Zenith Total Delay (ZTD) estimated from GNSS observations, provided at a temporal resolution of minutes and under all weather conditions, can be converted to Integrated Water Vapour (IWV), if additional meteorological variables are available. Inconsistencies introduced into long-term time series from improved GNSS processing algorithms, instrumental, and environmental changes at GNSS stations make climate trend analyses challenging. Ongoing re-processing efforts using state-of-the-art models aim at providing consistent time series of tropospheric data, using 24+ years of GNSS observations from global and regional networks. GNSS is reaching the “maturity age” of 30 years when climate normal of ZTD/IWV (and horizontal gradients) can be derived. Being not assimilated in numerical weather prediction model reanalyses, GNSS products can also be used as independent datasets to validate climate model outputs (ZTD/IWV). However, what is the actual use of GNSS ZTDs in climate monitoring? What are the advantages of using GNSS ZTDs for climate monitoring? In addition, what would be the best ZTD time series to serve the climate community?</p><p>The presentation will provide a review of the progress made in and the status of using GNSS tropospheric datasets for climate research, highlighting the challenges and pitfalls, and outlining the major remaining steps ahead. We will show examples demonstrating the benefits for climate monitoring brought by using GNSS ZTD and/or IWV datasets in complement to other observations.</p><p>This contribution is related to the activities of JWG C.2: Quality control methods for climate applications of geodetic tropospheric parameters, https://iccc.iag-aig.org/joint-work-groups/216, of the IAG Inter-Commission Committee on "Geodesy for Climate Research" (ICCC).</p>
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 | 0,000 |
| 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) | 0,000 | 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 ».