Kernel-Based Estimation of Stratospheric Aerosol Radiative Effects from Volcanic and Wildfire Events
Notice bibliographique
Résumé
To facilitate the quantification of the stratospheric aerosol direct radiative effect (ADRE), this study develops a suite of aerosol kernels based on MERRA-2 reanalysis data. The kernels comprise a five-dimensional dataset that includes latitude, longitude, time, wavelength, and radiative forcing scenarios. They quantify the sensitivity of top-of-atmosphere (TOA) radiative fluxes to changes in stratospheric aerosol optical depth (AOD), and distinguish between scattering and absorbing aerosols. Band-by-band radiative kernels are developed to capture the spectral dependence of ADRE while adjusted kernels account for stratospheric temperature responses. Additionally, we introduce an analytical kernel which enables an estimation of broadband radiative kernel values given such boundary conditions asß TOA insolation, reflectance, and stratospheric AOD. Applying these kernels, we estimate the ADREs of the 2022 Hunga volcanic eruption and the 2020 Australian wildfire. The Hunga eruption resulted in a global mean cooling effect of approximately -0.4 W/m² throughout 2022. In contrast, the Australian wildfire induced a global mean instantaneous ADRE of +0.27 W/m² and a stratosphere-adjusted ADRE of +0.11 W/m². Validation against radiative transfer model calculations confirms the accuracy of our kernel-based estimates. Our findings underscore the significance of spectral dependencies in stratospheric ADRE and highlight the distinct radiative sensitivities of stratospheric aerosols compared to their tropospheric counterparts. The developed radiative kernels offer an efficient and versatile tool for assessing the climatic impacts of stratospheric 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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».