Towards an improved understanding of wildfire CO emissions: a satellite remote-sensing perspective
Notice bibliographique
Résumé
Abstract. Emissions from wildfires are a significant source of air pollution, which can adversely impact air quality and ecosystems thousands of kilometers downwind. These emissions can be estimated by a bottom-up approach, using inputs such fuel type, burned area, and standardized emission factors. Emissions are also commonly derived with a top-down approach, using satellite observed fire radiative power (FRP) as proxy for fuel consumption. More recently, wildfire emissions have been demonstrated to be estimated directly from satellite observations, including carbon monoxide (CO). Here, we explore the potential of satellite-derived CO emission rates from wildfires and provide new insights into the understanding of satellite-derived fire CO emissions globally, with respect to differences in regions and vegetation type. Specifically, we use the TROPOMI (Tropospheric Monitoring Instrument) high spatial-resolution satellite datasets to create a global inventory database of burning emissions CO emissions between 2019 and 2021. Our retrieval methodology includes an analysis of conditions under which emission estimates may be inaccurate and filters these accordingly. Additionally, we determine biome specific emission coefficients (emissions relative to FRP) and show how combining the satellite derived CO emissions with satellite observed FRP from the Moderate Resolution Imaging Spectrometer (MODIS) establishes an annual CO emission budget from wildfires. The resulting emissions totals are compared to other top-down and bottom-up emission inventories over the past two decades. In general, the satellite-derived emissions inventory values and bottom-up emissions inventories have similar CO emissions totals across different global regions, though the discrepancies may be large for some regions (Southern Hemisphere South America, Southern Hemisphere Africa, Southeast Asia) and for some bottom-up inventories (e.g. FINN2.5, where CO emissions are a factor of 2 to 5 higher than other inventories). Overall, these estimates can help to validate emission inventories and predictive air quality models, and help to identify limitations present in existing bottom-up emissions inventory estimates.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».