Predictability of carbon emissions from biomass burning in Indonesia from 1997 to 2006
Notice bibliographique
Résumé
Drought and sea surface temperature were examined as the causes of severe biomass burning C emissions in Indonesia for 1997–2006, obtained from the Global Fire Emissions Database. Eighteen predictor variables were considered under log linear and piecewise regression models. The predictor variables considered were precipitation totals of up to 6 months, output from two soil moisture models, and sea surface temperature (SST) indicators reflecting El Niño and Indian Ocean Dipole strength. Nonparametric bootstrap techniques were used to estimate confidence intervals for predictability and thresholds below which severe C emissions are likely. Across equatorial Southeast Asia, the best predictor was 3‐month total precipitation, which explained 79% of variance in C emissions. When considered individually, and with the incorporation of satellite precipitation estimates, predictability for southern Sumatra and southern Kalimantan improved to 97% and 92%, respectively, using 4‐month total precipitation. There is a high risk of severe burning when 4‐month precipitation falls below thresholds of 350 mm in southern Sumatra and 650 mm in southern Kalimantan and when 6‐month precipitation falls below 900 mm in Papua. In general, simple precipitation totals outperformed more complicated soil moisture models and SST‐based indices. Physically, seasonal precipitation controls fire emissions through its regulation of groundwater level and, hence, the amount of peat available for drying. Seasonal precipitation, in turn, is strongly influenced by SST patterns in the tropical Pacific and Indian oceans. The most severe drought and fire events appear equally influenced by Indian Ocean Dipole events and El Niño events.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».