MétaCan
Menu
Retour à la cohorte
Enregistrement W4205227197 · doi:10.5558/tfc2021-029

Economic impacts of short rotation woody crops in Canada

2021· article· en· W4205227197 sur OpenAlexaffvenueabout
Torben Jensen

Notice bibliographique

RevueThe Forestry Chronicle · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensCanadian Forest Service
Organismes subventionnairesnon disponible
Mots-clésGreenhouse gasHectareCarbon creditAfforestationInvestment (military)WoodchipsCarbon sequestrationCarbon priceEnvironmental scienceNet present valueAgricultural economicsNatural resource economicsBusinessAgroforestryAgricultureEconomicsProduction (economics)Waste managementEngineering

Résumé

récupéré en direct d'OpenAlex

Canada is seeking cost-effective means to mitigate greenhouse gas emissions, particularly CO2. One of the promising means is the short rotation woody crops (SRWC) plantation, a silvicultural approach to establishing and managing fast growing plantations on previously cleared lands. This paper utilizes the data set provided by recent harvesting operations at the Ellerslie SRWC Technical Development Site in Edmonton (Alberta) to assess the ability of SRWC using High Yield Afforestation to mitigate GHG emissions and generate more wood fibre and the investment attractiveness to establish future plantations. Results illustrate that at current trading prices for carbon credits and market prices of woodchips, expected rates of return on investment for SRWC were relatively low, despite a positive net present value ($400/ha for 20 year planting cycle without carbon credits). However, estimates from the Ellerslie site indicate that 330 tons of CO2-eq per hectare are captured above and below ground over the 20 year plantation cycle. However, higher future carbon prices, a well-developed market for buying and selling carbon credits, as well as adapted policy including additional government sponsored programs for carbon credits, could make SRWC more attractive and dramatically change the economics of afforestation in the future.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,047
Score d'incertitude au seuil0,343

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,222
Écart entre enseignants0,215 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2021
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueThe Forestry ChronicleMême sujetForest Management and PolicyTravaux en français237 207