MétaCan
Menu
Retour à la cohorte
Enregistrement W2399385230 · doi:10.1186/s13021-016-0047-8

Modelling forest carbon stock changes as affected by harvest and natural disturbances. I. Comparison with countries’ estimates for forest management

2016· article· en· W2399385230 sur OpenAlexaff
Roberto Pilli, Giacomo Grassi, Werner A. Kurz, Raúl Abad Viñas, Nuria Hue Guerrero

Notice bibliographique

RevueCarbon Balance and Management · 2016
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest ecology and management
Établissements canadiensNatural Resources CanadaCanadian Forest Service
Organismes subventionnairesnon disponible
Mots-clésGreenhouse gasKyoto ProtocolUnited Nations Framework Convention on Climate ChangeClimate changeStock (firearms)Carbon stockEuropean unionEnvironmental scienceEnvironmental resource managementBusinessGeography

Résumé

récupéré en direct d'OpenAlex

According to the post-2012 rules under the Kyoto protocol, developed countries that are signatories to the protocol have to estimate and report the greenhouse gas (GHG) emissions and removals from forest management (FM), with the option to exclude the emissions associated to natural disturbances, following the Intergovernmental Panel on Climate Change (IPCC) guidelines. To increase confidence in GHG estimates, the IPCC recommends performing verification activities, i.e. comparing country data with independent estimates. However, countries currently conduct relatively few verification efforts. The aim of this study is to implement a consistent methodological approach using the Carbon Budget Model (CBM) to estimate the net CO 2 emissions from FM in 26 European Union (EU) countries for the period 2000–2012, including the impacts of natural disturbances. We validated our results against a totally independent case study and then we compared the CBM results with the data reported by countries in their 2014 Greenhouse Gas Inventories (GHGIs) submitted to the United Nations Framework Convention on Climate Change (UNFCCC). The match between the CBM results and the GHGIs was good in nine countries (i.e. the average of our results is within ±25 % compared to the GHGI and the correlation between CBM and GHGI is significant at P < 0.05) and partially good in ten countries. When the comparison was not satisfactory, in most cases we were able to identify possible reasons for these discrepancies, including: (1) a different representation of the interannual variability, e.g. where the GHGIs used the stock-change approach; (2) different assumptions for non-biomass pools, and for CO 2 emissions from fires and harvest residues. In few cases, further analysis will be needed to identify any possible inappropriate data used by the CBM or problems in the GHGI. Finally, the frequent updates to data and methods used by countries to prepare GHGI makes the implementation of a consistent modeling methodology challenging. This study indicates opportunities to use the CBM as tool to assist countries in estimating forest carbon dynamics, including the impact of natural disturbances, and to verify the country GHGIs at the EU level, consistent with the IPCC guidelines. A systematic comparison of the CBM with the GHGIs will certainly require additional efforts—including close cooperation between modelers and country experts. This approach should be seen as a necessary step in the process of continuous improvement of GHGIs, because it may help in identifying possible errors and ultimately in building confidence in the estimates reported by the countries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,056
Score d'incertitude au seuil0,111

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,006
Tête enseignante GPT0,207
Écart entre enseignants0,202 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations31
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCarbon Balance and ManagementMême sujetForest ecology and managementTravaux en français237 207