MétaCan
Menu
Retour à la cohorte
Enregistrement W2118996602 · doi:10.1007/s10584-009-9572-8

Biological Carbon Sequestration and Carbon Trading Re-Visited

2009· article· en· W2118996602 sur OpenAlexaff
G. Cornelis van Kooten

Notice bibliographique

RevueData Archiving and Networked Services (DANS) · 2009
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésCarbon offsetGreenhouse gasNatural resource economicsCarbon sinkCarbon creditClimate changeEnvironmental scienceEmissions tradingCarbon sequestrationDeforestation (computer science)Climate change mitigationCarbon fibersOffset (computer science)BusinessEnvironmental protectionCarbon dioxideEconomicsEcologyComputer science

Résumé

récupéré en direct d'OpenAlex

Biological activities that sequester carbon create CO2 offset credits that could obviate the need for reductions in fossil fuel use. Credits are earned by storing carbon in terrestrial ecosystems and wood products, although CO2 emissions are also mitigated by delaying deforestation, which accounts for one-quarter of anthropogenic CO2 emissions. However, non-permanent carbon offsets from biological activities are difficult to compare with each other and with emissions reduction because they differ in how long they prevent CO2 from entering the atmosphere. This is the duration problem. It results in uncertainty and makes it hard to determine the legitimacy of biological activities in mitigating climate change. Measuring, verifying and monitoring the carbon sequestered in sinks greatly increases transaction costs and leads to rent seeking by sellers of dubious sink credits. While biological sink activities undoubtedly help mitigate climate change and should not be neglected, it is shown that there are limits to the substitutability between temporary offset credits from these activities and emissions reduction, and that this has implications for carbon trading. A possible solution to inherent incommensurability between temporary and permanent credits is also suggested.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,557
Score d'incertitude au seuil0,510

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,248
Écart entre enseignants0,225 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations62
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueData Archiving and Networked Services (DANS)Même sujetForest Management and PolicyTravaux en français237 207