Estimating Available Abandoned Cropland in the United States: Possibilities for Energy Crop Production
Notice bibliographique
Résumé
Abandoned cropland (ACL) is often cited as a land resource on which to produce energy crops while reducing the negative impacts of broad-scale energy crop production; for example, carbon emissions from land-cover change and competition with food production. In contrast to marginal land, which refers to a set of biophysical and economic criteria usually imposed by experts or policymakers, the designation of ACL refers to a land-use decision by a land owner. As such, ACL is argued to be a more appropriate indication of land availability for dedicated energy crop production. Prevailing estimates of ACL in the United States vary widely due to inconsistent treatment of land-use conversions away from cropland and overreliance on remote sensing methods that measure land cover, even though ACL is a category of land use. This article develops and applies a replicable and flexible methodology to estimate available abandoned cropland (AACL) at the county level in the United States, which accounts for conversion of ACL to forest cover, urban development, or permanent pasture. Estimates of AACL are derived for two scenarios: (1) land abandoned between 1978 and 2012, which excludes lands with meaningful forest regrowth, and (2) land abandoned between 2007 and 2012, which corresponds to land-use constraints imposed by the Renewable Fuel Standard. Results show that 15.0 and 4.9 Mha of AACL exist in the United States in the two scenarios, respectively, amounting to between only 3 and 8 percent of total light-duty gasoline consumption in the United States. The policy implications of these findings and the need for future research are discussed.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».