Small fires, big gap: High-resolution VIIRS data reveal widespread underestimation of emissions in sub-Saharan Africa
Notice bibliographique
Résumé
Fires across sub-Saharan Africa (SSA) are a dominant source of global carbon emissions, yet their true magnitude remains uncertain due to the limitations of coarse-resolution satellite products. In this study, we developed a high-resolution fire emission inventory prototype for SSA using active fire detections from the VIIRS sensor (375 m) and a top-down approach based on fire radiative power (FRP). Emissions were estimated through the integration of FRP to fire radiative energy (FRE), conversion to dry matter burned using biome-specific combustion coefficients, and application of emission factors for carbon dioxide. A parallel MODIS-based dataset was also produced using the same methodology to isolate sensor-specific effects. To evaluate detection and modelling differences, the VIIRS-based product (VIIRS-EM) was compared against six widely used global fire emission inventories. In addition, a subset of emissions from small fires (defined as FRP < 10 MW) was derived and assessed separately. Over the period 2013–2022, VIIRS-EM estimated average annual carbon emissions of 3.0 Pg C, which is 50% to 75% higher than most MODIS-based inventories. Emission hotspots were identified in agricultural and savanna regions, particularly in West and Central Africa. Small fires contributed significantly to early and late fire-season emissions and revealed widespread underestimation in existing products. Our findings underscore the importance of high-resolution detection and FRP-based modelling for capturing the full extent of African fire activity. The VIIRS-EM inventory provides improved spatial and temporal resolution, with implications for atmospheric composition modelling, greenhouse gas accounting, and regional fire policy development.
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 | 0,000 | 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 | 0,001 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».