Biomass burning fuel consumption rates: a field measurement database
Notice bibliographique
Résumé
Abstract. Landscape fires show large variability in the amount of biomass or fuel consumed per unit area burned. These fuel consumption (FC) rates depend on the biomass available to burn and the fraction of the biomass that is actually combusted, and can be combined with estimates of area burned to assess emissions. While burned area can be detected from space and estimates are becoming more reliable due to improved algorithms and sensors, FC rates are either modeled or taken selectively from the literature. We compiled the peer-reviewed literature on FC rates for various biomes and fuel categories to better understand FC rates and variability, and to provide a~database that can be used to constrain biogeochemical models with fire modules. We compiled in total 76 studies covering 10 biomes including savanna (15 studies, average FC of 4.6 t DM (dry matter) ha−1), tropical forest (n = 19, FC = 126), temperate forest (n = 11, FC = 93), boreal forest (n = 16, FC = 39), pasture (n = 6, FC = 28), crop residue (n = 4, FC = 6.5), chaparral (n = 2, FC = 32), tropical peatland (n = 4, FC = 314), boreal peatland (n = 2, FC = 42), and tundra (n = 1, FC = 40). Within biomes the regional variability in the number of measurements was sometimes large, with e.g. only 3 measurement locations in boreal Russia and 35 sites in North America. Substantial regional differences were found within the defined biomes: for example FC rates of temperate pine forests in the USA were 38% higher than Australian forests dominated by eucalypt trees. Besides showing the differences between biomes, FC estimates were also grouped into different fuel classes. Our results highlight the large variability in FC rates, not only between biomes but also within biomes and fuel classes. This implies that care should be taken with using averaged values, and our comparison with FC rates from GFED3 indicates that also modeling studies have difficulty in representing the dynamics governing FC.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».