Estimation and Prediction of Carbon Emission from Typical Coalfield Fire in Xinjiang, China: Based on Field Detection and Historical Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 découle