MétaCan
Menu
Retour à la cohorte
Enregistrement W2886115924 · doi:10.1029/2018gl079564

Spatiotemporal Changes of China's Carbon Emissions

2018· article· en· W2886115924 sur OpenAlexafffund
Bofeng Cai, Xiuquan Wang, Guohe Huang, Wang Jinnan, Dong Cao, Brian W. Baetz, Lei Liu, Hua Zhang, Adam Fenech, Zhu Liu

Notice bibliographique

RevueGeophysical Research Letters · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnvironmental Impact and Sustainability
Établissements canadiensDalhousie UniversityMcMaster UniversityUniversity of ReginaUniversity of Prince Edward Island
Organismes subventionnairesFoundation for Innovative Research Team of Jimei UniversityUniversity of Prince Edward IslandCanadian Network for Research and Innovation in Machining Technology, Natural Sciences and Engineering Research Council of Canada
Mots-clésChinaGreenhouse gasUrbanizationCarbon fibersEnvironmental scienceClimate changeRelaxation (psychology)Horizontal resolutionClimatologyGeographyMeteorologyGeologyMaterials scienceEconomic growth

Résumé

récupéré en direct d'OpenAlex

Abstract Spatiotemporal changes in China's carbon emissions during the 11th and 12th Five‐Year Plan periods are quantified for the first time through a reconstructed nationwide high‐resolution gridded data set. The hot spots of carbon emissions in China have expanded by 28.5% (toward the west) in the north and shrunk by 18.7% in the south; meanwhile, the emission densities in North and South China have increased by 15.7% and 49.9%, respectively. This suggests a clear transition to a more intensive economic growth model in South China as a result of the energy conservation and emission reduction policies, while the expanded carbon hot spots in North China are mainly dominated by the Grand Western Development Program. The results also show that China's carbon emissions exhibit a typical spatially intensive, high‐emission pattern, which has undergone a slight relaxation (up to 3%) from 2007 to 2012 due to a typical urbanization process.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,795
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,002
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,026
Tête enseignante GPT0,325
Écart entre enseignants0,299 · 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.

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

Citations29
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGeophysical Research LettersMême sujetEnvironmental Impact and SustainabilityTravaux en français237 207