MétaCan
Menu
Retour à la cohorte
Enregistrement W4205536136 · doi:10.1021/acs.est.1c04753

Greenhouse Gas Estimates of LNG Exports Must Include Global Market Effects

2022· article· en· W4205536136 sur OpenAlexfundno aff
Sean Smillie, Nicholas Z. Muller, W. Michael Griffin, Jay Apt

Notice bibliographique

RevueEnvironmental Science & Technology · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueClimate Change Policy and Economics
Établissements canadiensnon disponible
Organismes subventionnairesFulbright CanadaCarnegie Mellon UniversityNational Science Foundation
Mots-clésGreenhouse gasLiquefied natural gasCoalNatural gasEnvironmental scienceNatural resource economicsElectricityEconomicsAgricultural economicsValue (mathematics)Waste managementEngineeringEcology

Résumé

récupéré en direct d'OpenAlex

We conduct a consequential lifecycle analysis (LCA) of greenhouse gas (GHG) emissions from North American liquefied natural gas (LNG) export projects, estimating the change in global natural gas and coal use resulting from the market effects of increased LNG trade. We estimate that building a 2.1 billion cubic feet per day (Bcfd) LNG export facility, equivalent to one of the larger LNG projects under development in the US today, will change global GHG emissions −39 to 11 Mt CO2e (90% range) with a median value of −8 Mt CO2e. Previous attributional LCA methods for electricity generation with LNG replacing coal find a much larger benefit of LNG exports, a median value of −36 Mt CO2e for this size project. The smaller decrease in GHGs is attributable to higher domestic coal use and a smaller decrease in international coal use than assumed by previous methods. Net global emission change estimates are most sensitive to the uncertainty in economic elasticities outside of North America. Given the scale of planned and proposed LNG export terminals, project regulators and policymakers must account for market effects to more accurately estimate the global net change in GHG emissions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,473
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,017
Tête enseignante GPT0,216
Écart entre enseignants0,200 · 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 tête enseignante, pas un consensus.

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

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironmental Science & TechnologyMême sujetClimate Change Policy and EconomicsTravaux en français237 207