GP
Gianni Pezzatti
Author with expertise in Climate Change and Paleoclimatology
Achievements
Open Access Advocate
Key Stats
Upvotes received:
0
Publications:
2
(100% Open Access)
Cited by:
0
h-index:
27
/
i10-index:
46
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
21

Assessing changes in global fire regimes

Sayedeh Sayedi et al.Feb 8, 2023
Abstract Human activity has fundamentally altered wildfire on Earth, creating serious consequences for human health, global biodiversity, and climate change. However, it remains difficult to predict fire interactions with land use, management, and climate change, representing a serious knowledge gap and vulnerability. We used expert assessment to combine opinions about past and future fire regimes from 98 wildfire researchers. We asked for quantitative and qualitative assessments of the frequency, type, and implications of fire regime change from the beginning of the Holocene through the year 2300. Respondents indicated that direct human activity was already influencing wildfires locally since at least ~ 12,000 years BP, though natural climate variability remained the dominant driver of fire regime until around 5000 years BP. Responses showed a ten-fold increase in the rate of wildfire regime change during the last 250 years compared with the rest of the Holocene, corresponding first with the intensification and extensification of land use and later with anthropogenic climate change. Looking to the future, fire regimes were predicted to intensify, with increases in fire frequency, severity, and/or size in all biomes except grassland ecosystems. Fire regime showed quite different climate sensitivities across biomes, but the likelihood of fire regime change increased with higher greenhouse gas emission scenarios for all biomes. Biodiversity, carbon storage, and other ecosystem services were predicted to decrease for most biomes under higher emission scenarios. We present recommendations for adaptation and mitigation under emerging fire regimes, concluding that management options are seriously constrained under higher emission scenarios.
21
0
Save
0

Landscape, site and post-disturbance forest stand characteristics modulate the colonisation of non-native invasive woody species

Melina Aranda et al.Jun 4, 2024
Forecasting concentrations of PM 2.5 is important due to its known impacts on public health and environment.However, PM 2.5 concentrations can vary significantly over short distances and time, which can be influenced by local emissions and short-term weather patterns.This spatiotemporal variability makes accurate PM 2.5 forecasting an inherently complex and challenging task.This study presented novel methodologies for short-term PM 2.5 concentration forecast by combining the atmospheric chemistry transport model Community Multiscale Air Quality Modeling System (CMAQ) with data-driven machine learning methods, namely long short-term memory (LSTM) and random forest (RF) models.The combined model system forecast PM 2.5 with 1 h, 1km × 1 km spatiotemporal resolution.The LSTM system forecast time-dependent PM 2.5 concentrations at observation sites with a maximum root mean square error (RMSE) of 3.66 μg/m 3 for 1-hr forecast and 23.75 μg/m 3 for 72-hr forecast, leveraging results obtained from the atmospheric transport model with RMSE of 45.81 μg/m 3 .Wavelet transform in the LSTM system allowed learning and prediction of PM 2.5 concentrations at different frequencies, capturing temporal variability of PM 2.5 at various time scales.The RF model predicted distributions of PM 2.5 concentrations by learning LSTM results and integrating crucial features such as CMAQ results, meteorological and topographical information.The feature significance of CMAQ results was the highest among the input features in RF models.Overall, the hybrid model could help with managing and mitigating the adverse effects of air pollution by enabling informed decision-making at the individual, community and policy levels.