Geographic versus institutional drivers of nitrogen footprints: a comparison of two urban universities
Notice bibliographique
Résumé
Abstract Excess reactive nitrogen (N) is linked to a myriad of environmental problems that carry large social costs. Nitrogen footprint tools can help institutions understand how their direct and indirect activities are associated with N release to the environment through energy use, food, and transportation. However, little is known about how geographic context shapes the environmental footprints of institutions. Defining the system boundaries over which institutions are responsible and able to control individual drivers of N footprints is also a challenge. Here, we compare and contrast the circa 2017 N footprints for two research intensive universities located in Montréal, Canada, with a combined full-time equivalent campus population of ∼83 000. Our estimate of McGill University’s N footprint (121.2 t N yr−1) is 48% greater than Université de Montréal’s (74.1 t N yr−1), which is also reflected on a per capita basis (3.3 and 1.6 kg N capita−1 yr−1, respectively). Key institutional factors that explain the differences include McGill’s larger residential and international student populations, research farm, and characteristics of its on-campus fuel use. We use a series of counterfactual scenarios to test how shared urban geographic context factors lead to an effective reduction of the N footprints at both universities: the relatively small direct role of both institutions in food intake on campus (29%–68% reduction compared to a counterfactual scenario), energy from hydroelectricity (17%–21% reduction), and minimal car commuting by students (2%–3% reduction). In contrast, the near-zero N removal from the municipal wastewater system effectively increases the N footprints (11%–13% increase compared to a modest N removal and offset scenario). Our findings suggest that a shared geographic context of a dense city with plentiful off-campus housing, food options, and access to hydroelectricity shapes the absolute N footprints of Montréal’s two main universities more than the divergent institutional characteristics that influence their relative N footprints.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».