Climatology and variability of smoke aerosols from MAIAC EPIC observations over North America (2016–2024)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study presents a comprehensive analysis of the monthly, seasonal, and interannual variability of smoke aerosol properties over North America from 2016 to 2024, using data retrieved from the MAIAC algorithm applied to NASA’s EPIC instrument aboard the DSCOVR spacecraft. The MAIAC EPIC data provide high-frequency, multi-year retrievals of key smoke properties, including aerosol optical depth (AOD), spectral absorption, aerosol layer height (ALH), and inferred black carbon (BC) and brown carbon (BrC) concentrations. The analysis reveals strong seasonal and regional variations, with peak smoke activity occurring in spring over Mexico and in summer over Canada and the western United States. Canadian and Alaskan smoke plumes frequently reach higher altitudes and exhibit elevated AOD, while smoke in Mexico tends to remain at lower altitudes with notably higher BC concentrations, likely influenced by smaller and lower-intensity fires and mixed biomass burning sources (agriculture and forest). The eastern United States, as a downwind region, shows increasing smoke influences, characterized by elevated ALH and rising levels of AOD and absorbing aerosols. Most study regions show a significant increase in smoke AOD (up to 5% per year in Canada), absorbing AOD, and BrC concentrations, highlighting the growing impact of wildfires on atmospheric composition and their potential implications for climate, air quality, and solar energy resources. These findings underscore the utility of MAIAC EPIC observations for monitoring multi-year smoke aerosol changes and for assessing their environmental consequences.
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.
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 | 0,001 |
| 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 découle