Controls on carbon consumption during Alaskan wildland fires
Notice bibliographique
Résumé
Abstract A method was developed to estimate carbon consumed during wildland fires in interior Alaska based on medium‐spatial scale data (60 m cell size) generated on a daily basis. Carbon consumption estimates were developed for 41 fire events in the large fire year of 2004 and 34 fire events from the small fire years of 2006–2008. Total carbon consumed during the large fire year (2.72 × 10 6 ha burned) was 64.7 Tg C, and the average carbon consumption during the small fire years (0.09 × 10 6 ha burned) was 1.3 Tg C. Uncertainties for the annual carbon emissions ranged from 13% to 21%. Carbon consumed from burning of black spruce forests represented 76% of the total during large fire years and 57% during small fire years. This was the result of the widespread distribution of black spruce forests across the landscape and the deep burning of the surface organic layers common to these ecosystems. Average carbon consumed was 3.01 kg m −2 during the large fire year and 1.69 kg m −2 during the small fire years. Most of the carbon consumption was from burning of ground layer fuels (85% in the large fire year and 78% in small fire years). Most of the difference in average carbon consumption between large and small fire years was in the consumption of ground layer fuels (2.60 vs. 1.31 kg m −2 during large and small fire years, respectively). There was great variation in average fuel consumption between individual fire events (0.56–5.06 kg m −2 ) controlled by variations in fuel types and topography, timing of the fires during the fire season, and variations in fuel moisture at the time of burning.
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) | 0,000 | 0,001 |
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 ».