Optimizing the Temperature Sensitivity of the Isoprene Emission Model MEGAN in Different Ecosystems Using a Metropolis-Hastings Markov Chain Monte Carlo Method
Notice bibliographique
Résumé
Isoprene is a reactive hydrocarbon emitted to the atmosphere in large quantities by terrestrial vegetation. Annual total isoprene emissions exceed 300 Tg a-1, but emission rates vary widely among plant species and are sensitive to meteorological and environmental conditions including temperature, sunlight, and soil moisture. Due to its high reactivity, isoprene has a large impact on air quality and climate pollutants such as ozone and aerosols. It is also an important sink for the hydroxyl radical which impacts the lifetime of the important greenhouse gas methane along with many other trace gas species. Modelling the impacts of isoprene emissions on atmospheric chemistry and climate requires accurate isoprene emission estimates. These can be obtained using the empirical Model of Emissions of Gases and Aerosols from Nature (MEGAN), but the parameterization of this model is uncertain due in part to limited field observations. In this study, we use ground-based measurements of isoprene concentrations and fluxes from 11 field sites to assess the variability of the isoprene emission temperature response across ecosystems. We then use these observations in a Metropolis-Hastings Markov Chain Monte Carlo (MHMCMC) data assimilation framework to optimize the MEGAN temperature response function. We find that the performance of MEGAN can be significantly improved at several high-latitude field sites by increasing the modelled sensitivity of isoprene emissions to past temperatures. At some sites, the optimized model was nearly 4 times more sensitive to temperature than the unoptimized model. This has implications for air quality modelling in a warming climate.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».