Application of operational seasonal prediction systems for seasonal prediction of fire danger in tropical ecosystems
Notice bibliographique
Résumé
The extreme wildfire events in California, Portugal, Spain, Australia, Sweden and Greece in 2017 and 2018 caused considerable economic, environmental and human life losses and gathered much media attention. These events highlighted the need for both short and medium-term forecasts of wildfire danger, the latter useful for raising awareness and preparing for wildfire prevention and suppression strategies. In tropical areas such as the Amazon basin and Indonesia, wildfires are greatly affected by inter-annual fluctuations in tropical Sea Surface Temperatures (SSTs). The 1997-1998 and 2015-2016 El Niño events were associated with above-average wildfires in Indonesia and Amazonia. While countries such as the United States, Canada and Australia have developed extensive and reliable short-term and seasonal wildfire forecasting systems, similar systems are less well established for predicting wildfire in tropical regions. Our approach to seasonal prediction of fire risk is to use real-time climate forecasts, such as those from ECMWF's System 5 forecast system, to issue predictions of the Canadian Fire Weather Index (FWI) and McArthur Forest Fire Danger Index (FFDI), using the methodology of ECMWF's short-term Global ECMWF Fire Forecast (GEFF). These indices are computed from daily values of temperature, precipitation, relative humidity and wind speed, accounting for factors that are important for fire severity and spread. As operational forecasts produce ensemble predictions of these variables, we are able to formulate probabilistic predictions from ensemble daily predictions of fire danger indices at a global scale. Global observations of burned area from the MCD64 global burned area product and the Global Fire Emissions Database version 4 (GFED4) are used to evaluate the skill of the predictions. We will show the skill of the predictions for the Amazon basin and cerrado region, with a focus on the extreme wildfire seasons associated with El Niño events. Â
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 | 0,000 |
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 ».