A review of bottom-up and top-down emission estimates of hydrofluorocarbons (HFCs) in different parts of the world
Notice bibliographique
Résumé
Hydrofluorocarbons (HFCs) are widespread alternatives for the ozone-depleting substances chlorofluorocarbons and hydrochlorofluorocarbons. They are used mainly as refrigerants or as foam-blowing agents. HFCs do not deplete the ozone layer, but they are very potent greenhouse gases, already contributing to global warming. Since 2019 HFCs are regulated under the Kigali Amendment to the Montreal Protocol, which demands reliable emission estimates to monitor the phase-down. Quantification of emissions is performed with two methods: bottom-up from product inventories or data on chemical sales; or top-down, inferred from atmospheric measurements by inverse modelling or interspecies correlation. Here, we review and compare the two methods and give an overview of HFC emissions from different parts of the world. Emission estimates reported by the different methods vary considerably. HFC emissions of developed countries (Annex I) are reported to the United Nations Framework Convention on Climate Change. These bottom-up estimates add up to only half of global emissions estimated from atmospheric data. Several studies with regional top-down estimates have shown that this gap is not owed to large-scale underreporting of emissions from developed countries, but mostly due to emissions from developing countries (non-Annex I). China accounts for a large fraction of the emissions causing the gap, but not entirely. Bottom-up and top-down estimations of emissions from other developing countries that could identify other large emitters are largely unavailable. Especially South America, West-, Central- and East-Africa, India, the Arabian Peninsula and Northern Australia are not well covered by measurement stations that could provide atmospheric data for top-down estimates.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,002 | 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 ».