Empirical characterization factors to be used in LCA and assessing the effects of hydropower on fish richness
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
Hydropower is often presented as a clean, reliable, and renewable energy source, but is also recognized for its potential impacts on aquatic ecosystem biodiversity. We used direct empirical data of change in fish species richness following impoundment to develop ecological indicators to be used in Life Cycle Assessment (LCA), and accounting for hydropower impacts on aquatic ecosystems. Data were collected on 89 sampling stations (63 stations located upstream, and 26 located downstream of a dam) distributed in 26 reservoirs from three biomes (boreal, temperate and tropical). Overall, the impact of hydropower on fish species richness was significant in the tropics, of smaller amplitude in temperate biome and minimal in boreal biome, stressing the need for regionalisation when developing indicators. The impact of hydropower was consistent across scales for a given biome (same directionality and statistical significance across sampling stations and reservoirs). However, the indicators were sensitive to the duration of the study (the period over which data have been collected after impoundment), which can underestimate the impacts. This result highlights the need to account for the duration of the transient dynamics to reach a steady state (rate of change in species richness = 0) before developing ecological indicators. By using the LCA approach, our suggested indicators contribute to fill a major gap in assisting decision-makers when evaluating the potential of alternative energy technologies, such as hydropower, to decarbonize the worldwide economy, while minimizing the impacts on aquatic ecosystems.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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