Quantifying the Direct Radiative Effect of Stratospheric Aerosols Using Radiative Kernels
Notice bibliographique
Résumé
To facilitate the quantification of the stratospheric aerosol radiative effect, this study generates a set of aerosol direct radiative effect (ADRE) kernels based on MERRA-2 reanalysis data. These radiative kernels measure the sensitivities of ADRE to perturbations in scattering and absorbing aerosol optical depth (AOD), respectively. Both broadband and band-by-band radiative kernels are developed to account for the wavelength dependency of ADRE. The broadband kernels are then emulated by a multivariate regression model, which predicts the kernel values from a handful of predictors, including the top-of-atmosphere (TOA) insolation, TOA reflectance, and stratospheric AOD. These kernels offer an efficient and versatile way to assess the ADRE of stratospheric aerosols. The ADREs of the 2022 Hunga volcano eruption and the 2020 Australia wildfire are estimated from the kernels and validated against radiative transfer model-calculated results. The Hunga eruption induced a global mean cooling forcing of -0.46 W/m² throughout 2022, while the Australia wildfire caused a warming forcing of +0.28 W/m² from January to August. The kernel estimation can capture over 90% of the ADRE variance with relative error within 10%, in these assessments. The results demonstrate the spectral dependencies of stratospheric ADRE and highlight the distinct radiative sensitivity of stratospheric aerosols, which differs significantly from that of tropospheric aerosols.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».