MétaCan
Menu
Retour à la cohorte
Enregistrement W2788821408 · doi:10.1038/s41598-018-21559-8

Cooling aerosols and changes in albedo counteract warming from CO2 and black carbon from forest bioenergy in Norway

2018· article· en· W2788821408 sur OpenAlexaff
Anders Arvesen, Francesco Cherubini, Gonzalo del Alamo Serrano, Rasmus Astrup, Michaël Becidan, Helmer Belbo, Franziska Goile, Tuva Grytli, Geoffrey Guest, Carine Lausselet, Per Kristian Rørstad, Line Rydså, Morten Seljeskog, Øyvind Skreiberg, Sajith Vezhapparambu, Anders Hammer Strømman

Notice bibliographique

RevueScientific Reports · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnvironmental Impact and Sustainability
Établissements canadiensNational Research Council Canada
Organismes subventionnairesNorges Forskningsråd
Mots-clésBioenergyEnvironmental scienceGreenhouse gasGlobal warmingStoveBiomass (ecology)Climate changeAlbedo (alchemy)Atmospheric sciencesBiofuelEcologyGeography

Résumé

récupéré en direct d'OpenAlex

Abstract Climate impacts of forest bioenergy result from a multitude of warming and cooling effects and vary by location and technology. While past bioenergy studies have analysed a limited number of climate-altering pollutants and activities, no studies have jointly addressed supply chain greenhouse gas emissions, biogenic CO 2 fluxes, aerosols and albedo changes at high spatial and process detail. Here, we present a national-level climate impact analysis of stationary bioenergy systems in Norway based on wood-burning stoves and wood biomass-based district heating. We find that cooling aerosols and albedo offset 60–70% of total warming, leaving a net warming of 340 or 69 kg CO 2 e MWh −1 for stoves or district heating, respectively. Large variations are observed over locations for albedo, and over technology alternatives for aerosols. By demonstrating both notable magnitudes and complexities of different climate warming and cooling effects of forest bioenergy in Norway, our study emphasizes the need to consider multiple forcing agents in climate impact analysis of forest bioenergy.

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)0,001
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,056
Score d'incertitude au seuil0,976

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
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 Opus0,008
Tête enseignante GPT0,227
Écart entre enseignants0,219 · 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

Citations21
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetEnvironmental Impact and SustainabilityTravaux en français237 207