Seasonal AOD analysis based on AERONET observations in North and West Africa over 2010–2019
Notice bibliographique
Résumé
The use of aerosol optical depth (AOD) properties Version 3 (level 2) of the surface-based AERONET was used to characterize aerosols at Eurafrican stations during the last decade of 2010–2019. The quality-assured AOD and Angstrom exponent (AE) data from Cairo_EMA_2 (30.081 N, 31.290E) and Tamanrasset_INM (22.790 N, 5.530E) are used to classify aerosols. Two additional stations from the west IER Cinzana (13.3 N, 5.9 W) and Cape Verde (16.7 N, 22.9 W) were compared as control to see the regional aerosols typing. The analyzed AOD data were first detrend to remove seasonal trend from the data and may provide difficulty in comparing relative AOD changes. Therefore, validated AOD and AE were employed to characterize the AOD type and determine the seasonal predominance. This method of analysis was derived by the deviation of the monthwise mean from the AOD data. The dominant aerosol types are coarsely absorbed due to dust from the Sahara. Saharan dust was observed in Tamanrasset_INM with AOD < 1 and AE < 1 and in Cairo_EMA_2 with AOD < 1 and AE < 1 over the spectral decadal trend. The west stations showed both AOD and AE > 1 for IER Cinzana and Cape Verde. The winter mean and standard deviation are − 0.18 ± 0.14 with AOD (− 0.009 ± 0.06) for the east. This indicates that the AOD dominance varies with the site and is heavily dependent on meteorological cycles. In the premonsoon season, the AE had AOD characteristics of 0.13 ± 0.15 (− 0.003 ± 0.03). The seasonal cycle indicates pure AOD characteristics, and the results have good confidence that the monsoon season is the major dust-driven season. The results of the study present aerosol characterization over Eurafrican stations and provide better insight into regional climate and local air pollution.
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 | 0,000 |
| 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 | 0,000 | 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) | 0,003 | 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 ».