Comparative Life Cycle Assessment of Edible Vegetable Frying Oils
Notice bibliographique
Résumé
Highlights Cottonseed oil (CSO), a cotton byproduct, has advantages for climate change compared to other seed oils. Results show that the cultivation phase is the main impact driver for all vegetable oils analyzed in this study. Refined CSO (U.S.) can reduce climate change impacts by up to 83% as compared to the other oils analyzed. Abstract. Edible vegetable oils are a major source of climate change impacts and an environmental concern in the processed food industry. This study consists of a cradle-to-grave life cycle assessment (LCA) of refined U.S. cottonseed oil (CSO), global soybean oil, U.S. canola oil, and palm oil sourced from Indonesia and Malaysia. Considering the oils equivalent for deep frying, they are compared on a 1 kg of oil basis. Analysis includes sensitivity analyses for modeling allocation choices and oil mixes as well as uncertainty analysis. Results show that the cultivation phase is the main impact driver for all vegetable oils analyzed, which favors CSO (U.S.) because it is a co-product. Refined CSO (U.S.) can reduce climate change impacts by up to 83%. Overall, refined CSO (U.S.) was a top performer in six of the eight impact categories evaluated. When ranking the oils, refined CSO (U.S.) was the preferred choice. Despite being the preferred choice, there are tradeoffs with CSO, such as water scarcity. In the context of global-scale commercial frying applications, e.g., McDonald’s daily French fry production of 9 million tons per day, switching the frying oil to refined CSO (U.S.) represents potential savings of 1,130 to 2,188 tons of CO2-eq d-1. For fast-food chains seeking to reduce their climate change impacts, refined CSO (U.S.) may be useful in frying applications. However, opportunities may exist for improvement in water use efficiency in the cultivation phase, which reinforces the need for continuous improvements in agriculture. Keywords: Comparative life cycle assessment, Canola oil, Cottonseed oil, Cotton sustainability, Fast-food industry, LCA, Palm oil, Soybean oil, Vegetable frying oils.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».