MétaCan
Menu
Retour à la cohorte
Enregistrement W3091718043 · doi:10.1186/s13021-020-00155-2

Climate change mitigation in British Columbia’s forest sector: GHG reductions, costs, and environmental impacts

2020· article· en· W3091718043 sur OpenAlexafffundabout
C. Smyth, Zhenming Xu, Tony C. Lemprière, Werner A. Kurz

Notice bibliographique

RevueCarbon Balance and Management · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensNatural Resources CanadaCanadian Forest Service
Organismes subventionnairesNatural Resources CanadaCanadian Forest ServiceGovernment of CanadaU.S. Forest ServicePacific Institute for Climate Solutions
Mots-clésGreenhouse gasEnvironmental scienceFossil fuelBioenergyBusiness as usualClimate change mitigationNatural resource economicsPortfolioRenewable energyCarbon sequestrationEnvironmental protectionAgroforestryBusinessEcologyEconomicsEngineeringWaste management

Résumé

récupéré en direct d'OpenAlex

Abstract Background The potential contributions from forest-based greenhouse gas (GHG) mitigation actions need to be quantified to develop pathways towards net negative emissions. Here we present results from a comparative analysis that examined mitigation options for British Columbia’s forest sector. Mitigation scenarios were evaluated using a systems perspective that takes into account the changes in emissions and removals in forest ecosystems, in harvested wood product (HWP) carbon stocks, and in other sectors where wood products substitute for emission-intensive materials and fossil fuels. All mitigation activities were assessed relative to a forward-looking ‘business as usual’ baseline for three implementation levels. In addition to quantifying net GHG emission reductions, we assessed economic, and socio-economic impacts as well as other environmental indicators relating to forest species, age class, deadwood availability and future timber supply. We further considered risks of reversal for land-based scenarios, by assessing impacts of increasing future wildfires on stands that were not harvested. Results Our spatially explicit analyses of forest sector mitigation options demonstrated a cost-effective portfolio of regionally differentiated scenarios that directed more of the harvested wood to longer-lived wood products, stopped burning of harvest residues and instead produced bioenergy to displace fossil fuel burning, and reduced harvest levels in regions with low disturbance rates. Domestically, net GHG emissions were reduced by an average of -9 MtCO 2 e year −1 over 2020–2050 for a portfolio of mitigation activities at a default implementation level, with about 85% of the GHG emission reductions achieved below a cost of $50/tCO 2 e. Normalizing the net GHG reduction by changes in harvested wood levels permitted comparisons of the scenarios with different ambition levels, and showed that a 1 MtCO 2 increase in cumulative harvested stemwood results in a 1 MtCO 2 e reduction in cumulative emissions, relative to the baseline, for the Higher Recovery scenario in 2070. Conclusions The analyses conducted in this study contribute to the global understanding of forest sector mitigation options by providing an integrated framework to synthesize the methods, assumptions, datasets and models needed to quantify mitigation activities using a systems approach. An understanding of economically feasible and socio-economically attractive mitigation scenarios along with trade offs for environmental indicators relating to species composition and age, helps decision makers with long-term planning for land sector contributions to GHG emission reduction efforts, and provides valuable information for stakeholder consultations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,033
Score d'incertitude au seuil0,194

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,194
Écart entre enseignants0,186 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations67
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCarbon Balance and ManagementMême sujetForest Management and PolicyTravaux en français237 207