Evaluating the wildfire forecasting performance of an air quality model
Notice bibliographique
Résumé
While wildfires are a natural phenomenon in Canadian landscapes, the severity of Canada’s ongoing wildfire crisis – caused by climate change, suppression-based legislation, and fortress conservation – have led to increasing annual burned area and more intense wildfires. Increasing wildfire intensities results in greater quantities of smoke and risks to public health. Therefore, continuously refining our ability to accurately report wildfire smoke is crucial. Direct observations of wildfire smoke offer valuable information with regards to air quality; however, conducting surface- or airborne-level measurements of wildfire plumes is often impractical due to logistical, spatiotemporal, and safety constraints. To address this gap, atmospheric scientists and policymakers use atmospheric chemical transport models (CTMs) to provide air quality forecasts. Originally focused on anthropogenic and biogenic emissions, CTMs are being adapted to incorporate wildfire emissions given their growing influence on atmospheric dynamics. In Canada, this work is evident in the ongoing development of FireWork-CFFEPS, a framework that computes wildfire emissions within the existing Global Environmental Multi-scale Modelling Air Quality and Chemistry (GEM-MACH) CTM. To ensure that FireWork-CFFEPS is providing appropriate air quality forecasts with respect to wildfire smoke influences, evaluating key inputs and processes used to drive FireWork-CFFEPS is necessary. Chapter 2 looks at the extent to which primary particle speciation profiles can influence surface concentration predictions made in GEM-MACH. We find that the selection of primary speciation profiles affects modelled concentrations of particle nitrate and sulfate, given that particle nitrate and sulfate emissions are predominantly formed as secondary pollutants. Furthermore, it is not appropriate to evaluate the fire event with the surface-based monitoring network due to air quality influences from oil sands extraction and spatiotemporal limitations. To address the latter, chapter 3 examines how different hotspot approaches in CFFEPS affects pollutant concentrations by evaluating against in-situ, piloted aircraft observations. The new, ‘quasi-hotspot’ setup brings targeted improvements to modelled concentrations of gas-phase species; however, future simulations should also consider the emission factors used in forecasting. Finally, chapter 4 will summarize key findings from chapters 2 and 3 and provide recommendations for (1) future research in wildfire forecasting capabilities of GEM-MACH, and (2), broader implications for wildfire research.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».