MétaCan
Menu
Retour à la cohorte
Enregistrement W4413480341 · doi:10.3390/rs17172932

High-Resolution Inversion of GOSAT-2 Retrievals for Sectoral Methane Emission Estimates During 2019–2022: A Consistency Analysis with GOSAT Inversion

2025· article· en· W4413480341 sur OpenAlexfundno aff
Rajesh Janardanan, Shamil Maksyutov, Fenjuan Wang, Lorna R. Nayagam, Yukio Yoshida, Xin Lan, Tsuneo Matsunaga

Notice bibliographique

RevueRemote Sensing · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric and Environmental Gas Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesSavannah River National LaboratoryLawrence Berkeley National LaboratoryNational Oceanic and Atmospheric AdministrationUniversità degli Studi di Urbino Carlo BoNational Institute of Polar ResearchCommonwealth Scientific and Industrial Research OrganisationU.S. Department of CommerceNational Institute of Standards and TechnologyEnvironment and Climate Change CanadaLangley Research CenterNational Aeronautics and Space Administration
Mots-clésInversion (geology)Environmental scienceMethaneRemote sensingAtmospheric sciencesGeologyChemistrySeismology

Résumé

récupéré en direct d'OpenAlex

We employed a global high-resolution inverse model to estimate sectoral methane emissions, integrating observations from the GOSAT-2 satellite for the first time, along with observations from the surface observation network. A similar set of inversions using GOSAT observations was carried out to evaluate the consistency between emissions estimates derived from these two satellites and to ensure that GOSAT-2 data could seamlessly integrate with the existing data series without disrupting the continuity of flux estimates. This analysis, covering the period from 2019 to 2022, utilized prior anthropogenic emissions data mainly from EDGAR v6 and incorporated additional natural sources and sinks as outlined by global methane budget, 2020. Our analysis reveals a general agreement between total methane emissions estimates from GOSAT and GOSAT-2. However, on a sectoral basis, we found notable regional differences in the flux estimates. While GOSAT inversion estimates ~8 Tg a−1 more anthropogenic emissions for China and around 4 Tg a−1 more wetland emissions for Brazil and Indonesia, the posterior error distribution suggests that GOSAT-2 inversion is closer to surface observations over Asia. These discrepancies are found in regions with significant differences in XCH4 data from the two satellites, such as East Asia and North America, tropical South America, and tropical Africa. These regional biases persist due to limited representative surface reference sites for Level 2 bias correction. The relatively lower data volume from GOSAT also introduces seasonal biases in the flux estimates when the quality filtering of Level 2 data persistently reduces usable observations during certain seasons, resulting in inadequate representation of the seasonal cycle in regions such as East Asia. Similarly, in tropical South America, where the model is relatively under-constrained by the limited surface observations, the lower data volume of GOSAT-2 suffers. While the two inversions exhibit consistent overall performance across North America and Europe, the GOSAT-2-based inversion demonstrates a better performance over East Asia. Therefore, while the two satellite datasets are broadly consistent, considering the fact that the biases in the XCH4 data overlap with regions under-constrained by surface observations, establishing additional surface reference measurement sites is desirable to ensure consistent inversion results.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,053
Score d'incertitude au seuil0,105

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,218
Écart entre enseignants0,211 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRemote SensingMême sujetAtmospheric and Environmental Gas DynamicsTravaux en français237 207