MétaCan
Menu
← Retour à la cohorte
Enregistrement W4214899799 · doi:10.5194/acp-2022-120

Optimizing Four Years of CO <sub>2</sub> Biospheric Fluxes from OCO-2 and in situ data in TM5: Fire Emissions from GFED and Inferred from MOPITT CO data

2022· preprint· en· W4214899799 sur OpenAlexfundno aff
Hélène Peiro, Sean Crowell, Berrien Moore

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric and Environmental Gas Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesEurostarsAustralian Research CouncilCanadian Space AgencyCentre National de la Recherche ScientifiqueMinistry of Business, Innovation and EmploymentUniversité de La RéunionCentre National d’Etudes SpatialesCalifornia Institute of TechnologyEuropean CommissionCanadian Foundation for Climate and Atmospheric SciencesOntario Innovation TrustGovernment of CanadaConseil Régional, Île-de-FranceNational Aeronautics and Space AdministrationSorbonne UniversitéNova Scotia Research Innovation Trust
Mots-clésEnvironmental scienceAtmospheric sciencesSCIAMACHYInversion (geology)Carbon monoxideCombustionMeteorologyCarbon fluxClimatologyEcosystemChemistryGeographyGeologyTroposphere

Résumé

récupéré en direct d'OpenAlex

Abstract. Column mixing ratio of carbon dioxide (CO2) data alone do not provide enough information for source attribution. Carbon monoxide (CO) is a product of inefficient combustion often used as a tracer of CO2. CO data can then provide a powerful constraint on fire emissions, supporting more accurate estimation of biospheric CO2 fluxes. In this framework and using the chemistry transport model TM5, a CO inversion using MOPITT v8 data is performed to estimate fire emissions which are then converted in CO2 fire emissions through the use of emission ratio. These CO2 fire emissions allow us, then, to estimate adjusted CO2 Net Ecosystem Exchange (NEE) and respiration which are then used as priors for CO2 inversions constrained either by the Orbiting Carbon Observatory 2 (OCO-2) v9 or by in situ data. For comparison purpose, we also balanced the respiration using fire emissions from the Global Fire Database Emissions (GFED) version 3 (GFED3) and version 4.1s (GFED4.1s). We hence study the impact of CO fire emissions in our CO2 inversions at global, latitudinal and regional scales over the period 2015–2018 and compare our results to the two other similar approaches using GFED3 and GFED4.1s, as well as with an inversion using CASA-GFED3 fire and NEE priors. After comparison at the different scales, the inversions are evaluated against TCCON data. Results show that variations in posterior flux are much smaller across different prior mean fluxes when compared with the data assimilated. However, at global scale and for most of the regions, while the net fluxes remain robust, we can observe differences in fire emissions among the priors, resulting in large adjustments in the Net Ecosystem Exchange (NEE) to match the fires and observations. Tropical flux estimates from in situ inversions are highly sensitive to the prior flux assumed, of which fires are a significant component. Slightly larger CO2 net sources are observed when using GFED4.1s and MOPITT CO prior in CO2 OCO-2 inversions than compared with the other priors, particularly during the 2015 El Niño event for most Tropical regions. Larger CO2 net sources with MOPITT CO and GFED4.1s priors are also observed in Tropical Asia in CO2 in situ inversions than compared with the other priors during the 2015–2016 El Niño period and shows large net emissions than compared to OCO-2 inversions. Evaluation with TCCON suggests that the re-balanced posterior simulated give biases and accuracy very close each other where biases have decreased and variability matches better the validation data than with the CASA-GFED3. Further work is needed to improve prior fluxes in Tropical regions where fires are a significant component.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,082
Score d'incertitude au seuil0,162

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,252
Écart entre enseignants0,222 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAtmospheric and Environmental Gas Dynamics→Travaux en français237 207→