Notice bibliographique
Résumé
<strong class="journal-contentHeaderColor">Abstract.</strong> Estimating regional CO<sub>2</sub> sources and sinks is challenging due to limited data and uncertainties in transport models. Orbiting Carbon Observatory-2 (OCO-2) overcomes measurement limits, providing CO<sub>2</sub> variations beyond in-situ networks. This study analyses altitude-wise model-observation CO<sub>2</sub> differences from surface to upper troposphere using aircraft observations from ATom, Amazon, and CONTRAIL campaigns over OCO-2 total column CO<sub>2</sub> (XCO<sub>2</sub>) sampling location to characterise sources of uncertainty in MIROC4-ACTM. We show model aligns better with ATom tropospheric columns (0.03 ± 0.03 ppm) than OCO-2 XCO<sub>2</sub> (0.2 ± 0.5 ppm), especially over oceans, highlighting the need for expanded profile measurements to characterise errors robustly. Altitude-wise comparisons reveal this differences primarily occur in the lower troposphere (0–2 km), likely due to ACTM's near-surface land CO<sub>2 </sub>flux errors. In contrast, ACTM better matches aircraft CO<sub>2</sub> in the middle (2–5 km) and upper (5–8 km) troposphere, likely due to accurate large-scale transport representation. Over the Amazon, CO<sub>2</sub> differences with aircraft and OCO-2 differ, likely due to a lack of regional surface sites for inversion and insufficient high-altitude profile (~4 km) not representative of XCO2. Over Asian megacity airports, which are significant emission hotspots, the model shows a large negative difference with CONTRAIL than OCO-2. This discrepancy likely hints that MIROC4-ACTM is unable to capture urban fossil CO<sub>2</sub> emission signals at airports due to coarse resolution (~2.8° x 2.8°) and higher resolution of OCO-2 limits ability to fully capture actual emission footprints.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».