Tracking Air Pollution: Global Near Real-Time Fire PM2.5 Retrievals from Multisource Data Fusion
Notice bibliographique
Résumé
Wildfire smoke has raised concerns on air quality and public health with the increasing intensity, frequency, and duration of wildfires as a result of climate change. This study generates a global near real-time wildfire-related PM2.5 (i.e., fire PM2.5) concentration product by combining multisource data with machine learning algorithm. This is the first daily updated full-coverage high-resolution fire PM2.5 data products that allows timely tracking of the fast-growing fire PM2.5 globally. The gridded fire PM2.5 data at a spatial resolution of 0.1°×0.1° are estimated by fusing surface PM2.5 monitoring, satellite observations, meteorological fields, atmospheric composition reanalysis data, and population distribution through a three-layer random forest model. We found that during 2023-2024, wildfire smoke contributed 1.32 μg/m3 (4.7%) and 1.25 μg/m3 (4.7%) to population-weighted annual average PM2.5 worldwide, and caused 50,700 (95% confidence interval: 33,600-68,300) and 51,500 (34,100-69,400) all-cause deaths through acute fire PM2.5 exposure, respectively. Regionally, the record-breaking wildfires resulted to 1.42 μg/m3 (21%) and 2.53 μg/m3 (16%) increase in population-weighted annual average PM2.5 in Canada (2023) and South America (2024), respectively. We noticed that a relatively small number of extreme wildfire episodes could disproportionately impact regional public health, emphasizing the importance of timely monitoring of wildfire-induced PM2.5 pollution. The global fire PM2.5 data will be publicly available on the Tracking Air Pollution platform (TAP, http://tapdata.org.cn), to support promptly health impact assessment and policymaking for wildfire risk mitigation.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,009 | 0,032 |
| 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 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 ».