Notice bibliographique
Résumé
Abstract. The observation and quantification of mineral dust fluxes from high-latitude sources remains difficult due to a known paucity of year-round in situ observations and known limitations of satellite remote sensing data (e.g., cloud cover and dust detection). Here we explore the chronology of dust emissions at a known and instrumented high latitude dust source: Lhù’ààn Mân (Kluane Lake) in Yukon, Canada. At this location we combine ground instrumentation, space-based remote sensing platforms, ground-based AERONET data, and oblique camera images to (i) investigate the daily to annual chronology of dust emissions recorded by these instrumental and remote sensing methods (at timescales ranging from minutes to years), and (ii) use data intercomparisons to comment on the principal factors that control the detection of dust in each case. Dust emissions were observed using oblique time-lapse (RC) cameras installed at Lhù’ààn Mân for up to 23 hours a day. These were used as a baseline for analysis of aerosol retrievals from in situ metrological data, AERONET, and co-incident MODIS MAIAC. Use of high-cadence remote camera (RC) data collected during dust events allowed us to optimise the use of combination of date quality (DQ) 1 (aerosol optical depth - AOD) and DQ2 (single scattering albedo and Angstöm exponent) to best represent AOD dust retrievals from AERONET. Nevertheless, when compared with time series of RC data, optimised AERONET data only manage an overall 26 % detection rate for events (sub day) but 100 % detection rate for dust event days (DED) when dust was within the field of view. Here, in this instance, RC and remote sensing data were able to suggest that the low event detection rate was attributed to fundamental variations in dust advection trajectory, dust plume height, and inherent restrictions in sun angle at high latitudes. Working with a time series of optimised AOD data (covering 2018/2019), we were able to investigate the gross impacts of DQ choice on DED detection at the month/year scale. Relative to ground observations, AERONET’s DQ2.0 cloud screening algorithm may remove as much as 97 % of known dust events (3 % detection). Finally, when undertaking an AOD comparison for DED and non-DED retrievals, we find that cloud screening of MODIS/AERONET lead to a combined low sample of co-incident dust events, and weak correlations between retrievals. Our results quantify and explain the extent of under-representation of dust in both ground and space remote sensing method; a factor which impacts on the effective calibration and validation of global climate and dust models.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,021 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,347 | 0,257 |
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 ».