Renewable Energy from Forest Residues—How Greenhouse Gas Emission Offsets Can Make Fossil Fuel Substitution More Attractive
Notice bibliographique
Résumé
Burning forest biomass from renewable sources has been suggested as a viable strategy to help offset greenhouse gas (GHG) emissions in the energy generation sector. Energy facilities can, in principle, be retrofitted to produce a portion of their energy from biomass. However, supply uncertainties affect costs, and are an important impediment to widespread and sustained adoption of this strategy. In this paper, we describe a general approach to assess the cost of offsetting GHG emissions at co-generation facilities by replacing two common fossil fuels, coal and natural gas, with forest harvest residue biomass for heat and electricity production. We apply the approach to a Canadian case study that identifies the price of GHG offsets that could make the use of forest residue biomass feedstock attractive. Biomass supply costs were based on a geographical assessment of industrial harvest operations in Canadian forests, biomass extraction and transportation costs, and included representation of basic ecological sustainability and technical accessibility constraints. Sensitivity analyses suggest that biomass extraction costs have the largest impact on the costs of GHG emission offsets, followed by fossil fuel prices. In the context of other evaluations of mitigation strategies in the energy generation sector, such as afforestation or industrial carbon capture, this analysis suggests that the substitution of fossil fuels by forest residue biomass could be a viable and reasonably substantive short-term alternative under appropriate GHG emission pricing schemes.
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 | 0,000 | 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 | 0,001 |
| 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) | 0,002 | 0,001 |
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 ».