Overview and recommendations for regionalized life cycle impact assessment
Notice bibliographique
Résumé
Purpose Regionalized life cycle impact assessment (LCIA) has rapidly developed in the past decade, though its widespread application, robustness, and validity still face multiple challenges. Under the umbrella of UNEP/SETAC Life Cycle Initiative, a dedicated cross-cutting working group on regionalized LCIA aims to provide an overview of the status of regionalization in LCIA methods. We give guidance and recommendations to harmonize and support regionalization in LCIA for developers of LCIA methods, LCI databases, and LCA software. Methods A survey of current practice among regionalized LCIA method developers was conducted. The survey included questions on chosen method's spatial resolution and scale, the spatial resolution of input parameters, the choice of native spatial resolution and limitations, operationalization and alignment with life cycle inventory data, methods for spatial aggregation, the assessment of uncertainty from input parameters and model structure, and the variability due to spatial aggregation. Recommendations are formulated based on the survey results and extensive discussion by the authors. Results and discussion Survey results indicate that majority of regionalized LCIA models have global coverage. Native spatial resolutions are generally chosen based on the availability of global input data. Annual modeled or measured elementary flow quantities are mostly used for aggregating characterization factors (CFs) to larger spatial scales, although some use proxies, such as population counts. Aggregated CFs are mostly available at the country level. Although uncertainty due to input parameter, model structure, and spatial aggregation are available for some LCIA methods, they are rarely implemented for LCA studies. So far, there is no agreement if a finer native spatial resolution is the best way to reduce overall uncertainty. When spatially differentiated model CFs are not easily available, archetype models are sometimes developed. Conclusions Regionalized LCIA methods should be provided as a transparent and consistent set of data and metadata using standardized data formats. Regionalized CFs should include both uncertainty and variability. In addition to the native-scale CFs, aggregated CFs should always be provided and should be calculated as the weighted averages of constituent CFs using annual flow quantities as weights whenever available. This paper is an important step forward for increasing transparency, consistency, and robustness in the development and application of regionalized LCIA methods.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,044 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,015 | 0,015 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,009 | 0,015 |
| Science ouverte | 0,012 | 0,006 |
| Intégrité de la recherche | 0,008 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,055 | 0,044 |
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 source (Gemma direct ou Codex distillé), 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 ».