Assessment of plum rain’s impact on power system emissions in Yangtze-Huaihe River basin of China
Notice bibliographique
Résumé
Abstract As a typical climate that occurs in the Yangtze-Huaihe River basin of China with a size of 500,000 km2, plum rain can reduce the photovoltaic (PV) potential by lowering the surface irradiance (SI) in the affected region. Based on hourly meteorological data from 1980 to 2020, we find that plum rain can lower the SI in the affected region with a weekly peak drop of more than 20% at the most affected locations. This SI drop, coupled with a large number of deployed PV systems, can cause incremental CO2 emissions (ICEs) of local power systems by increasing the additional thermal power. Using a cost optimization model, we demonstrate that the ICEs in 2020 already reached 1.22 megatons and could range from 2.21 to 4.73 megatons, 3.47 to 7.19 megatons, and 2.97 to 7.43 megatons in 2030, 2040, and 2050, respectively, considering a change trend interval of a ±25% fluctuation in power generation and demand in the different years. To offset these ICEs, we compare four pathways integrated with promising technologies. This analysis reveals that the advanced deployment of complementary technologies can improve the PV utilization level to address climate impacts.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».