Evaluation of fire emissions for HTAP3 with CAMS GFAS and IFS-COMPO
Notice bibliographique
Résumé
The Copernicus Atmosphere Monitoring Service CAMS is using ECMWF's Integrated Forecasting System IFS-COMPO with fire emissions from its Global Fire Assimilations System GFAS to monitor and forecast the effect of smoke from vegetation fires, resp. biomass burning, on atmospheric composition. The simulated atmospheric composition fields are routinely validated against observations including from satellites, aircraft and ground stations.The emissions calculation by the operational GFAS version 1.2 have recently been updated for use in the upcoming HTAP3 multi-model, multi-pollutant study of fire impacts (Whaley et al. 2024), creating the dataset GFAS4HTAP. It is based on the dry matter burnt estimates of GFASv1.2, and uses an updated spurious signal mask, ESA CCI land cover data for 2018, a global peat map (Xu et al. 2018) and emission factors from NEIVA (Shahid et al. 2024) to calculate emission fluxes for various smoke constituents for 2003-2024. An additional GFAS-based dataset has been created by calibration against GFED5beta.Global comparisons of dry matter, resp. biomass, combustion rates of the three GFAS-based inventories with GFED4s, GFED5beta, and the two variants of FINN2.5 reveal that these inventories can be roughly classified into one group of "traditional" inventories with lower fire activity, resp. emissions, and another of "more recent" inventories with higher fire activity. The pyrogenic carbon monoxide emission estimates from an inversion of satellite observations of atmospheric composition (Zheng et al. 2019) lie between these two groups in terms of global annual values. However, at a global level, they are more consistent with the "more recent" inventories during the late boreal summer peak of the global fire activity and with the "traditional" inventories during periods of lower fire activity.In order to gain more insight from independent validation, we here present simulations with IFS-COMPO for 2019 based on the three GFAS-based inventories and compare these with atmospheric observations of carbon monoxide, nitrogen dioxide and aerosol optical depth. We find that the best agreement of simulation and observations is achieved by different inventories for different regions, seasons and smoke constituents. However, the emissions of the GFAS4HTAP dataset appears to lead to the overall most balanced atmospheric composition simulation. This supports the group of "traditional" inventories mentioned above.
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 | 0,012 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».