Embodied GHG emissions of buildings – Critical reflection of benchmark comparison and in-depth analysis of drivers
Notice bibliographique
Résumé
Abstract In the face of the unfolding climate crisis, the role and importance of reducing Greenhouse gas (GHG) emissions from the building sector is increasing. This study investigates the global trends of GHG emissions occurring across the life cycle of buildings by systematically compiling life cycle assessment (LCA) studies and analysing more than 650 building cases. Based on the data extracted from these LCA studies, the influence of features related to LCA methodology and building design is analysed. Results show that embodied GHG emissions, which mainly arise from manufacturing and processing of building materials, are dominating life cycle emissions of new, advanced buildings. Analysis of GHG emissions at the time of occurrence, shows the upfront ‘carbon spike’ and emphasises the need to address and reduce the GHG ‘investment’ for new buildings. Comparing the results with existing life cycle-related benchmarks, we find only a small number of cases meeting the benchmark. Critically reflecting on the benchmark comparison, an in-depth analysis reveals different reasons for cases achieving the benchmark. While one would expect that different building design strategies and material choices lead to high or low embodied GHG emissions, the results mainly correlate with decisions related to LCA methodology, i.e. the scope of the assessments. The results emphasize the strong need for transparency in the reporting of LCA studies as well as need for consistency when applying environmental benchmarks. Furthermore, the paper opens up the discussion on the potential of utilizing big data and machine learning for analysis and prediction of environmental performance of buildings.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,005 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».