MétaCan
Menu
← Retour à la cohorte
Enregistrement W2505079813 · doi:10.1139/cjfr-2016-0132

Cost to produce carbon credits through fluctuating harvest levels in British Columbia, Canada

2016· article· en· W2505079813 sur OpenAlexaffvenueabout
Cosmin D. Man, Kevin Lyons, John D. Nelson, Gary Bull

Notice bibliographique

RevueCanadian Journal of Forest Research · 2016
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésBaseline (sea)Carbon fibersCarbon sequestrationEnvironmental scienceCarbon creditProduction (economics)Forest inventoryAgricultural economicsForestryGreenhouse gasAgricultural scienceAgroforestryForest managementMathematicsGeographyEconomicsCarbon dioxideBiologyEcologyFishery

Résumé

récupéré en direct d'OpenAlex

The forest inventory of an actively managed forest estate in the Coast Forest Region of British Columbia was used to investigate the potential of fluctuating harvest levels to produce carbon credits. Fluctuating harvest levels allowed the target harvest level to fluctuate between the baseline and a starting target harvest level (set at a lower level than the baseline) over the 25 year life of the carbon project. Carbon credits continued to be produced for 4–15 years following the harvest adjustment from the starting level to the baseline level. The production of carbon credits for the fluctuating harvest schedules was highest when the starting harvest level was held for 10–15 years, and the baseline level was held for the remainder of the carbon project life. Carbon credit production was sensitive to the initial age class structure of the forest estate, the harvest priority algorithm, the starting target harvest level, and the timing of harvest adjustment from the starting level to the baseline level. The cost to produce carbon credits using fluctuating harvest levels for the studied forest estate varied between $32.2 and $41.1 t of CO2e−1 (at 0% discount rate), which is 14%–17% lower than using a constant reduced harvest level.

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)0,001
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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,037
Score d'incertitude au seuil0,269

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0020,001
Communication savante0,0020,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,062
Tête enseignante GPT0,301
Écart entre enseignants0,239 · 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'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

Citations0
Publié2016
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Forest Research→Même sujetForest Management and Policy→Travaux en français237 207→