Provincial nitrogen footprints highlight variability in drivers of reactive nitrogen emissions in Canada
Notice bibliographique
Résumé
Abstract Nitrogen (N) footprints are one method to quantify consumer driven reactive nitrogen (Nr) emissions. Canada is a highly urbanized yet economically natural resource-dependent country, providing an illustrative case study to examine attribution of Nr emissions to per capita consumption, either domestically or abroad. Yet, considered only at the national scale, N footprints may obscure absolute and relative contributions of local drivers to Nr emissions. We apply a top-down N footprint approach drawing from national N budgets, emissions inventories, and agricultural statistics to estimate sub-national (provincial) drivers of Nr emissions across Canada. We calculate per capita provincial Nr footprints from four primary sectors in 2018: (a) crop production, (b) animal production, (c) wastewater treatment, and (d) fossil fuel burning. We estimate that Canada’s total N footprint is 995.7 Gg Nr yr −1 , which equates to an average per capita footprint nationally of 27.1 kg Nr capita −1 yr −1 . The largest national contributions come from a few key (sub)sectors, including transport, beef consumption, and wastewater treatment. Provincial per capita N footprints vary widely, with the largest (Saskatchewan 50.3 kg Nr cap −1 yr −1 ) more than double the smallest (Ontario 22.0 kg Nr cap −1 yr −1 ). Most variation across provinces is due to the fossil fuels sector, including emissions from energy generation and the oil and gas industry. We therefore compare our top-down approach for the fossil fuels sector with bottom-up N footprints and territorial emissions methodologies. Per capita N emissions vary considerably across these approaches. For example, Alberta’s per-capita fossil fuel Nr emissions are 45.9, 23.0, and 6.3 kg Nr cap −1 yr −1 using territorial, top-down and bottom-up footprint approaches, respectively. This analysis demonstrates the challenges of attributing Nr emission for export-oriented economies. Our study provides novel insights on sub-national drivers of Nr emissions, emphasizing the need to consider how heterogeneous geographic contexts contribute to national N footprints.
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 | 0,002 | 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 | 0,001 |
| 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) | 0,003 | 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 ».