Negative emissions and the long history of carbon removal
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Recent IPCC assessments highlight a key role for large‐scale carbon removal in meeting the objectives of the Paris Agreement. This focus on removal, also referred to as negative emissions, is suggestive of novel opportunities, risks, and challenges in addressing climate change, but tends to build on the narrow techno‐economic framings that characterize integrated assessment modeling. While the discussion on negative emissions bears important parallels to a wider and older literature on carbon sequestration and carbon sinks, this earlier scholarship—particularly from the critical social sciences—is seldom engaged with by the negative emissions research community. In this article, we survey this “long history” of carbon removal and seek to draw out lessons for ongoing research and the emerging public debate on negative emissions. We argue that research and policy on negative emissions should proceed not just from projections of the future, but also from an acknowledgement of past controversies, successes and failures. In particular, our review calls attention to the irreducibly political character of carbon removal imaginaries and accounting practices and urges acknowledgement of past experiences with the implementation of (small‐scale) carbon sequestration projects. Our review in this way highlights the importance of seeing continuity in the carbon removal discussion and calls for more engagement with existing social science scholarship on the subject. Acknowledging continuity and embracing an interdisciplinary research agenda on carbon removal are important aspects in making climate change mitigation research more responsible, and a precondition to avoid repeating past mistakes and failures. This article is categorized under: The Carbon Economy and Climate Mitigation > Benefits of Mitigation
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle