The Global Forest Fire Emissions Prediction System version 1.0
Notice bibliographique
Résumé
The Global Forest Fire Emissions Prediction System (GFFEPS) is a model that estimates biomass burning in near-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 fire emissions models, GFFEPS provides dynamic estimates of fuel consumption, fire behaviour and fire growth based on the Canadian Forest Fire Danger Rating System, plant phenology as calculated from daily global weather and burned-area estimates using near-real-time Visible Infrared Imaging Radiometer Suite (VIIRS) satellite-detected hotspots and historical burned-area statistics. Combining forecasts of daily fire weather and hourly meteorological conditions with a global land classification, GFFEPS produces fuel consumption and emission predictions in 3 h time steps (in contrast to non-dynamic models that use fixed consumption rates and require a collection of burned area to make post-burn estimates of emissions). GFFEPS has been designed for use in operational forecasting applications as well as historical simulations for which data are available. A study was conducted showing GFFEPS predictions through a 6-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's fuel consumption per unit area results clearly distinguished regions dominated by grassland (Africa) from those dominated by forests (boreal regions) and 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 the Global Fire Assimilation System (GFAS), the Global Fire Emissions Database (GFED4.1s) and the Fire INventory from NCAR (FINN 1.5 and 2.5). GFFEPS estimated values lower than GFAS and GFED (80 % and 74 %) and had values similar to FINN 1.5 (97 %). This was largely due to the impact of fuel moisture on consumption rates as captured by the dynamic weather modelling. Model evaluation efforts to date are described – an ongoing effort is underway to further validate the model, with further developments and improvements expected in the future.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,017 |
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 ».