MétaCan
Menu
Retour à la cohorte
Enregistrement W2889591679 · doi:10.1038/s41598-018-24241-1

1.5 °C carbon budget dependent on carbon cycle uncertainty and future non-CO2 forcing

2018· article· en· W2889591679 sur OpenAlexafffund
Nadine Mengis, Antti‐Ilari Partanen, Jonathan Jalbert, H. Damon Matthews

Notice bibliographique

RevueScientific Reports · 2018
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueClimate Change Policy and Economics
Établissements canadiensPolytechnique MontréalConcordia University
Organismes subventionnairesCompute CanadaConcordia UniversityUniversity of VictoriaMcGill University
Mots-clésForcing (mathematics)Carbon fibersCarbon cycleEnvironmental scienceChemistryAtmospheric sciencesComputer scienceBiologyEcologyPhysicsEcosystemAlgorithm

Résumé

récupéré en direct d'OpenAlex

Abstract Estimates of the 1.5 °C carbon budget vary widely among recent studies, emphasizing the need to better understand and quantify key sources of uncertainty. Here we quantify the impact of carbon cycle uncertainty and non-CO 2 forcing on the 1.5 °C carbon budget in the context of a prescribed 1.5 °C temperature stabilization scenario. We use Bayes theorem to weight members of a perturbed parameter ensemble with varying land and ocean carbon uptake, to derive an estimate for the fossil fuel (FF) carbon budget of 469 PgC since 1850, with a 95% likelihood range of (411,528) PgC. CO 2 emissions from land-use change (LUC) add about 230 PgC. Our best estimate of the total (FF + LUC) carbon budget for 1.5 °C is therefore 699 PgC, which corresponds to about 11 years of current emissions. Non-CO 2 greenhouse gas and aerosol emissions represent equivalent cumulative CO 2 emissions of about 510 PgC and −180 PgC for 1.5 °C, respectively. The increased LUC, high non-CO 2 emissions and decreased aerosols in our scenario, cause the long-term FF carbon budget to decrease following temperature stabilization. In this scenario, negative emissions would be required to compensate not only for the increasing non-CO 2 climate forcing, but also for the declining natural carbon sinks.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,721
Score d'incertitude au seuil0,877

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 technologies0,0000,000
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 Opus0,028
Tête enseignante GPT0,236
Écart entre enseignants0,209 · 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

Citations47
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetClimate Change Policy and EconomicsTravaux en français237 207