Using bioeconomic models to assess research priorities: a case study on afforestation as a carbon sequestration tool
Notice bibliographique
Résumé
We have developed a spatial cost–benefit afforestation model that includes the tracking of five carbon pools. In this application we represent three possible afforestation strategies that could be implemented in Canada using plantations of hybrid poplar, hardwoods, and softwoods with average expected growth rates of 12–14, 5–7, and 5–7 m 3 · ha –1 ·year –1 respectively. The model provides spatially explicit insights into the cost effectiveness of afforestation as a carbon sequestration tool. Here we develop an elasticity metric and experiment to assess model sensitivity and use the results to make recommendations about research priorities. The most important biological variables across all scenarios include site suitability, which is related to refining the spatial estimates of potential yields, biomass to carbon ratios, and wood density. The most important economic variables include refinement and lowering of establishment costs and agricultural opportunity costs. Parameters that have a low impact on the break-even carbon price, suggesting refinements in knowledge in these areas would be relatively less beneficial, include decay rates for forest products, stand senescence age (the age when stand mortality reaches its maximum), bioenergy and pulpwood prices, and mean residual time for leaf litter. Less importance was also placed on the proportions of forest products in the total harvest and refining a fossil fuel substitution coefficient.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».