Improving Carbon Stock Estimates for In-Use Harvested Wood Products by Linking Production and Consumption—A Global Case Study
Notice bibliographique
Résumé
We developed a method to better estimate the carbon stocks of in-use harvested wood products (HWP) by using the Eora multiregional input-output tables to link global HWP production and end uses, compared to existing global-scale studies that focused on semifinished HWP. Using the new method, we allocated global HWP to country-specific end uses, including solid HWP used in (1) construction, (2) furniture production, and (3) other end uses, and as (4) household and sanitary paper and (5) other paper and paper products, while the HWP carbon stocks in these end uses were estimated using the Stock Change Approach. We reported that HWP produced globally contained an annual average of 277.7 teragram carbon in 1992-2015, of which 63.0, 12.6, 76.7, 9.1, and 116.3 teragram carbon were consumed by the above five end uses, respectively. By 2015, the carbon stocks of global in-use HWP produced since 1992 accumulated to 2938 teragrams of carbon, of which the above five HWP end uses accounted for 1489, 268, 890, 0, and 291 teragrams of carbon, respectively. Country-specific HWP production and consumption varied significantly, with the eight leading consuming countries (United States, China, Japan, Canada, Germany, Russia, United Kingdom, and France) accounting for 69% of the global in-use HWP carbon stocks.
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 | 0,001 | 0,001 |
| 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 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».