Estimating Greenhouse Gas Emissions From Peat Combustion in Wildfires on Indonesian Peatlands, and Their Uncertainty
Notice bibliographique
Résumé
Abstract Peatlands play an important role as carbon pools, storing a third of the world's soil carbon. However, peatlands in Southeast Asia have suffered from depletion due to economic pressure and the demand for natural resources, often caused by land use changes and fires. Usually, land preparation requires drainage and fires, resulting in major greenhouse gas (GHG) emissions into the atmosphere. In this work, we propose a general equation to estimate GHG emissions from fires on peatlands. The contribution of each parameter to the variance of the estimated GHG emissions was also evaluated. We used Monte Carlo simulation, meta‐analyses, and an analytical expression of variance. GHG emissions of a single fire episode were estimated at 842 Mg ha −1 CO 2 eq. with a standard deviation of 466 Mg ha −1 CO 2 eq. The parameter contributing most to variance was the depth of burn, at 94.2%, followed by bulk density, at 5.5%, and emission factors, at 0.3%. Our estimated GHG emissions were close to the amount estimated from the default values provided by the IPCC, strengthening confidence in the IPCC methodology. When the depth of burn was assessed by remote sensing, the parameter that most contributed to variance became the fire‐damaged area, followed by the depth of burn. The contribution of each parameter to variance, as estimated in this study, made it possible to prioritize the effort in uncertainty reduction. Combining Monte Carlo simulation and an analytical expression of variance could be a promising way of obtaining more reliable confidence intervals.
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 ».