MétaCan
Menu
← Retour à la cohorte
Enregistrement W4288436483 · doi:10.1038/s41467-022-32014-8

Reply to: Fire activity as measured by burned area reveals weak effects of ENSO in China

2022· letter· en· W4288436483 sur OpenAlexaff
Qichao Yao, Keyan Fang, Tinghai Ou, Feifei Zhou, Maosheng He, Ben Zheng, Jane Liu, Hang Xing, Valérie Trouet

Notice bibliographique

RevueNature Communications · 2022
Typeletter
Langueen
DomaineEnvironmental Science
ThématiqueFire effects on ecosystems
Établissements canadiensUniversity of Toronto
Organismes subventionnairesSvenska Forskningsrådet FormasNational Natural Science Foundation of ChinaChinese Academy of SciencesNational Science Foundation
Mots-clésEl Niño Southern OscillationChinaEnvironmental scienceAtmospheric sciencesClimatologyGeographyGeology

Résumé

récupéré en direct d'OpenAlex

The different wildfire data used in Fang et al. (2021) and Resco de Dios et al. may be the primary reason for the discrepancies between the two studies. We developed the Wildfire Atlas of China (WFAC), a robust ground-truthed fire occurrence dataset, in which fire occurrences were detected by multiple satellites (including MODIS) and carefully validated through surface observations by local forestry departments 1 . Even though MODIS-derived fire products, such as active fires and area burned, have much improved in recent years 2 , biases still remain in these products because of surface topography, fast vegetation growth rates, and clouds 2 . In addition to these biases, crop data gaps due to clouds occur in these fire products 2 and this is especially the case in cloudy subtropical China. As a result, fire patterns in southwestern China have been found to be inconsistent between MODIS fire products and ground observations 3 . To address these biases, we calculated fire occurrences from MODIS fire points 4 and further distinguished between wildfire and crop fire in the fire occurrence dataset. We find a high fraction of crop fires in the MODIS fire data in northern China, particularly in the North and Northeast China Plains (Fig. 1 ). These northern Plains are mostly covered by agricultural land rather than forests and routine agricultural crop straw burning accounts for most of the MODIS observed fires in these agricultural areas 5 , 6 . Therefore, most fires in northern China detected in the MODIS-derived area burned dataset used by Resco de Dios et al. are crop fires, leading to an overestimation of wildfire activity outside of subtropical China. In addition to this, Resco de Dios et al. calculated the area burned over only the area south of ~35 ○ N in eastern China, which is only a fraction of subtropical China. Their suggestion that subtropical fires only account for a low fraction of fires in China is therefore geographically biased. Fig. 1: Fire occurrence comparisons between fire datasets. The fire occurrence numbers are from the Wildfire Atlas of China (WFAC) and the Moderate Resolution Imaging Spectroradiometer (MODIS) data, including MOD14A1 provided by Terra and MYD14A1 provided by Aqua 4 . a Total fire occurrences from MODIS, b crop fire occurrences from MODIS, c the ratio between total fire occurrences from MODIS and WFAC, and d the ratio between non-crop fire occurrences from MODIS and the WFAC. The fire occurrences were aggregated via combining the spatiotemporal adjacent fire points from MODIS Terra and Aqua from 2005 to 2018 into one fire event. Crop fire was picked out based on the land cover data of China in 2018 11 . The The 2 × 2 degree fire data is a sum of the fire occurrences. Full size image

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,014
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,002
Communication savante0,0030,002
Science ouverte0,0020,002
Intégrité de la recherche0,0380,028
Charge utile insuffisante (le modèle a refusé de juger)0,0040,005

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,251
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueNature Communications→Même sujetFire effects on ecosystems→Travaux en français237 207→