Using multi-satellite observations to constrain ammonia emissions and unlock their potential over open water
Notice bibliographique
Résumé
Reducing uncertainty in ammonia ( $$\:\text{N}{\text{H}}_{3}$$ ) emissions, particularly those over open water, which have largely been unexplored, remains a key challenge. This study refines 2019 $$\:\text{N}{\text{H}}_{3}$$ emissions over the south-central United States (SCUS) using inverse modeling technique with Cross-track Infrared Sounder (CrIS) data and assesses its impact on inorganic $$\:\text{P}{\text{M}}_{2.5}$$ . We also present a novel assessment of $$\:\text{N}{\text{H}}_{3}$$ emissions constrained by Infrared Atmospheric Sounding Interferometer (IASI) and CrIS datasets both individually and combined. For the first time, we demonstrate the potential of refining $$\:\text{N}{\text{H}}_{3}$$ emissions over open water using satellite data, specifically over the northwestern Gulf of Mexico (NWGOM). Annual posterior NH₃ emissions exceeded prior estimates over SCUS by 1.43 GgNa−1 (2.5-fold), raising average concentrations by 2.9 ppb (3.4-fold), particularly in Texas, New Mexico, and Oklahoma, and increasing levels of particulate ammonium (1.26-fold), sulfate (1.01-fold), and nitrate (2-fold). Combined IASI/CrIS outperformed individual datasets when compared with surface measurements. Over NWGOM, average $$\:\text{N}{\text{H}}_{3}$$ concentrations increased significantly by 1.4 ppb, predominantly driven by biological nitrogen fixation. This study highlights the potential of satellite data to refine $$\:\text{N}{\text{H}}_{3}$$ emissions over open water and emphasizes the role of multi-satellite datasets and high-resolution regional inverse modeling in improving air quality forecasts and global emission estimates.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».