Estimation and Prediction of Carbon Emission from Typical Coalfield Fire in Xinjiang, China: Based on Field Detection and Historical Data
Notice bibliographique
Résumé
Coalfield fires release large amounts of greenhouse gases like CO2 and methane. Quick and effective carbon emission estimates are vital for assessing fire control and enhancing carbon reduction. In this work, field detection was applied to estimate the coal loss of typical coalfield fires in Xinjiang, and a simplified model was used to estimate the carbon emission based on coal loss. This method was verified by comparing with literature data. Using this model, the carbon emissions of Jiangjunmiao, Sigonghe, and Changcaodong coalfield fire zones were estimated to be 1,245,187.5 t, 293,730 t, and 511,122 t, respectively. Besides the field test data, the historical data from government was also collected, in order to calculate the increase rate of carbon emission. In Xinjiang, substantial progress has been made in coal fire management. Our estimation indicates that from 1958 to 2019, Xinjiang’s efforts to control coalfield fires resulted in a reduction of 8.93 Gt of carbon emissions, roughly sevenfold the total carbon emissions of China in 2023. From 2019 to 2023, the annual rates of change in carbon emissions for coal fire areas in Xinjiang that were under active control and those that were left unregulated were −4% and + 13.3%, respectively. In order to achieve the carbon reduction targets in the coalfield fire zone, the three surveyed Xinjiang coalfields need to achieve an annual reduction rate of 58%-73% to achieve the 2030 plan, 20%-29% to achieve the 2050 plan, and 15%-22% to achieve the 2060 plan.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».