Deep decarbonization pathways in the building sector: China’s NDC and the Paris agreement
Notice bibliographique
Résumé
Abstract China’s economic growth has been largely relying on the consumption of coal. The country has realized that its economic development has to be free from dependence on fossil fuels. On 30 June 2015, China submitted its ‘Nationally Determined Contribution (NDC)’ in preparation for the Conference of Parties 21 (COP21). One of the important actions in China’s NDC is to lower carbon dioxide (CO 2 ) emissions per unit of GDP by 60% to 65% from 2005 levels by 2030. This study examines the efforts from China’s building sector (i.e. urban residential, rural residential and service) in achieving the CO 2 reduction target stated in China’s NDC. Furthermore, this study also explores the post-NDC era and looks into the opportunities towards deep decarbonization in the building sector by mid-century for contributing to the Paris agreement. The study covers 31 provincial regions of mainland China anddisparities of climate and socioeconomic indicators across regions are fully considered. We use a bottom-up cost optimization model called AIM/Enduse to evaluate the CO 2 reduction potential brought by efficient technologies in China’s building sector. Five scenarios are designed to illustrate the emission pathways through 2050. The results show that, when energy constraint and emission target is introduced in mitigation scenarios, new generation biomass contribute a lot to emission reduction. Reduction potential in the nearly zero emission scenario is mainly from the urban residential sector, and to achieve deep decarbonization by 2050, it is important to bring a significant reduction of per-capita energy consumption in addition to ci improvement both in urban and rural households. Co-benefit analysis suggests that air pollutants can also be significantly reduced by deep decarbonization policies.
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 | 0,003 | 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 | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».