Shale gas environmental impacts: Lessons learned from U.S. practices and recommendations for measuring, monitoring, mitigating and managing impacts in Europe
Notice bibliographique
Résumé
Shale gas exploration and development is characterized by specific activities and operations during different stages\nof development. These operations inevitably lead to an environmental footprint. The location, timing, scale and\nduration of the footprint can vary, depending on the type of operation. In addition, risks are associated with shale\ngas operations, which can be described by the combination of the likelihood that incidents might occur and the impact of those potential incidents. There is an ongoing debate among different stakeholders on the magnitude of footprint, risks and impacts of shale gas development. The debate is particularly focussed on issues regarding the environmental impact of hydraulic fracturing, the role of shale gas in a transition towards a low carbon energy system, and whether the shale gas industry can gain a social licence to operate. In the M4ShaleGas project, the footprints, risks, impacts and public perceptions of shale gas operations have been analysed through literature reviews of current practices in the U.S.A., Canada and Europe, as well as dedicated experimental and modelling studies. In this study, a public-facing document has been developed with the aim to inform different stakeholders of the main lessons learned by summarizing the key knowledge gaps, best practices, and main recommendations for minimizing and managing the environmental footprint of shale gas exploration and development. The recommendations can be used to focus future research and debate addressing these issues.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 ».