Deep Decarbonization in Practice: Solutions and Challenges for Low-Carbon Building Retrofits
Notice bibliographique
Résumé
This paper examines efforts taking place in London, San Francisco and Stockholm to implement deep greenhouse gas emission cuts—‘deep decarbonization’—through the transformation of buildings and urban energy infrastructure for increased energy efficiency and low/zero carbon energy supply. Drawing on interviews, policy document analysis, and site tours to buildings and energy infrastructure, this paper analyzes how deep decarbonization is being embedded into urban buildings, energy systems, and institutions. It argues that practitioners are finding ways to create new low/zero carbon future buildings, but are having difficulty correcting the historical development path through retrofitting. This paper examines solutions and challenges brought to light by urban decarbonization in practice targeting existing buildings from which other cities can learn. Four key lessons for low/zero carbon retrofits are highlighted: 1) shift primary targets from homeowners to owners of multiple buildings, 2) expand the suite of resources available to support zero carbon retrofits, 3) experiment and teach using public investment, and 4) institutionalize energy and carbon reporting linked to municipal department targets. Given the necessity of low-carbon, efficient, and climate resilient building retrofits to address the climate crisis, action can be scaled up by considering buildings and energy infrastructure an infrastructure priority for public investment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,020 |
| Communication savante | 0,011 | 0,010 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».