Estimates of Emissions from Open Biomass Burning in South-Southeast Asia
Notice bibliographique
Résumé
In recent years, fires caused by nature or humans have become the focus of public attention, such as bushfires in Australia ( Celermajer et al., 2021 ) and wildfires in Canada ( Metsaranta et al., 2023 ). Increasingly frequent fires directly cause severe air pollution, which has a huge impact on climate change, human health, etc., and has an increasing impact on developing countries, especially those in South and Southeast Asia (SSEA) ( Reddington et al., 2021 ; Singh et al., 2021 ; Irfan, 2024 ). Extensive Open Biomass Burning (OBB) occurs year-round, leading to widespread exposure to trace gases (CO, NO X , NMVOC, SO 2 , and NH 3 ), particulate matter (PM 2.5 ) levels surpassing World Health Organization (WHO) guidelines ( Linh Thao et al., 2022 ). These burning activities release substantial carbon emissions, negatively affecting not only global climate dynamics but also the health of local inhabitants. Forest clearing, accidental fires, firewood burning, agricultural residue burning, peatland burning, and straw burning are among the significant fire types worldwide (Xu et al., 2022). Moreover, particulate matter and organic carbon emitted from biomass burning adversely affect human health ( Yin, 2020 ). It is an urgent mission to construct an OBB inventory to quantify the local biomass burning’s contribution to regional and global carbon emissions, offering a foundation for devising emission reduction policies and strategies.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».