Comment on gmd-2024-31
Notice bibliographique
Résumé
<strong class="journal-contentHeaderColor">Abstract.</strong> The Global Forest Fire Emissions Prediction System (GFFEPS) is a model that estimates biomass burning in real time for global air-quality forecasting. The model uses a bottom-up approach, based on remotely-sensed hotspot locations and global databases linking burned area per hotspot to ecosystem-type classification at a 1-km resolution. Unlike other global forest fire emissions models, GFFEPS provides dynamic estimates of fuel consumption and fire behaviour based on the Canadian Forest Fire Danger Rating System. Combining forecasts of daily fire weather and hourly meteorological conditions with a global land classification, GFFEPS produces fuel consumption and emission predictions in 3-hour time steps (in contrast to non-dynamic models that use fixed consumption rates and require collection of burned area to make post-burn estimates of emissions). GFFEPS has been designed for use in near-real-time forecasting applications as well as historical simulations for which data are available. A study was conducted running GFFEPS through a six-year period (2015–2020). Regional annual total smoke emissions, burned area and total fuel consumption per unit area as predicted by GFFEPS were generated to assess model performance over multiple years and regions. The model distinguished grass-dominated regions from forested, while also showed high variability in regions affected by El Niño and deforestation. GFFEPS carbon emissions and burned area were then compared to other global wildfire emissions models, including GFAS, GFED4.1s and FINN1.5/2.5. GFFEPS estimated values lower than GFAS/GFED (80 %/74 %), and estimated values similar to FINN1.5 (97 %). This was largely due to the impact of fuel moisture on consumption rates as captured by the dynamic weather modelling. An effort is underway to validate the model, with further developments and improvements expected.
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 | 0,001 | 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) | 0,094 | 0,021 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».