MétaCan
Menu
← Retour à la cohorte
Enregistrement W4240594314 · doi:10.5194/amt-2019-201

Evaluation of MOPITT version 7 joint TIR-NIR X <sub>CO</sub> retrievals with TCCON

2019· preprint· en· W4240594314 sur OpenAlexafffund
Jacob K. Hedelius, Tai‐Long He, Dylan B. A. Jones, Rebecca R. Buchholz, Martine De Mazière, Nicholas M. Deutscher, Manvendra K. Dubey, Dietrich G. Feist, David Griffith, Frank Hase, Laura T. Iraci, Pascal Jeseck, Matthäus Kiel, Rigel Kivi, Cheng Liu, Isamu Morino, Justus Notholt, Young‐Suk Oh, Hirofumi Ohyama, David F. Pollard, Markus Rettinger, Sébastien Roche, Coleen M. Roehl, Matthias Schneider, Kei Shiomi, Kimberly Strong, Ralf Sussmann, Colm Sweeney, Yao Té, Osamu Uchino, Voltaire A. Velazco, Wei Wang, Thorsten Warneke, P. O. Wennberg, H. M. Worden, Debra Wunch

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric and Environmental Gas Dynamics
Établissements canadiensUniversity of Toronto
Organismes subventionnairesJapan Aerospace Exploration AgencyBundesministerium für Wirtschaft und EnergieKorea Meteorological AdministrationCanadian Space AgencyLos Alamos National LaboratoryAustralian Respiratory CouncilEuropean Space Agency
Mots-clésEnvironmental scienceTroposphereRemote sensingAtmospheric sciencesNoise (video)Accuracy and precisionMeteorologyStatisticsMathematicsGeologyPhysicsComputer science

Résumé

récupéré en direct d'OpenAlex

Abstract. Observations of carbon monoxide (CO) from the Measurements Of Pollution In The Troposphere (MOPITT) instrument onboard the Terra spacecraft were expected to have an accuracy of 10 % prior to launch in 1999. Here we evaluate MOPITT version 7 joint TIR-NIR (V7J) accuracy and precision, and suggest ways to further improve the accuracy of the observations. We take five steps involving filtering or bias corrections to reduce scatter and bias in the data relative to other MOPITT soundings, and ground based measurements. 1) We apply a preliminary filtering scheme in which measurements over snow and ice are removed. 2) We find a systematic pairwise bias among the four MOPITT along-track detectors (pixels) on the order of 3–4 ppb with a small temporal trend, which we remove on a global scale using a temporally trended bias correction. 3) Using a small region approximation (SRA) a new filtering scheme is developed and applied based on additional quality indicators such as signal-to-noise. After applying these new filters, the root mean squared error computed using the local median from the SRA over 16 years of global observations decreases from 3.84 ppb to 2.55 ppb. 4) We also use the SRA to find variability in MOPITT retrieval anomalies that relates to retrieval parameters. We apply a bias correction to one parameter from this analysis. 5) After applying the previous bias corrections and filtering, we compare the MOPITT results with the GGG2014 ground-based Total Carbon Column Observing Network (TCCON) observations to obtain an overall global bias correction. These comparisons show that MOPITT V7J is biased high by about 6–8 %, which is similar to past studies using independent validation datasets on V6J. When using TCCON spectrometric column retrievals without the standard airmass correction or scaling to aircraft (WMO scale), the ground and satellite based observations overall agree to better than 0.5 %. GEOS-Chem data assimilations are used to estimate the influence of filtering and scaling to TCCON on global CO, and tend to pull concentrations away from the prior, and closer to the truth. We conclude with suggestions for further improving the MOPITT data products.

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)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,064
Score d'incertitude au seuil0,128

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
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 Opus0,019
Tête enseignante GPT0,233
Écart entre enseignants0,213 · 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'étudeObservationnel
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

Citations0
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

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