On quantifying sources of uncertainty in the carbon footprint of biofuels: crop/feedstock, LCA modelling approach, land-use change, and GHG metrics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Biofuel systems may represent a promising strategy to combat climate change by replacing fossil fuels in electricity generation and transportation. First-generation biofuels from sugar and starch crops for ethanol (a gasoline substitute) and from oilseed crops for biodiesel (a petroleum diesel substitute) have come under increasing levels of scrutiny due to the uncertainty associated with the estimation of climate change impacts of biofuels, such as due to indirect effects on land use. This analysis estimates the magnitude of some uncertainty sources: i) crop/feedstock, ii) life cycle assessment (LCA) modelling approach, iii) land-use change (LUC), and iv) greenhouse gas (GHG) metrics. The metrics used for characterising the different GHGs (global warming potential-GWP and global temperature change potential-GTP at different time horizons) appeared not to play a significant role in explaining the variance in the carbon footprint of biofuels, as opposed to the crop/feedstock used, the inclusion/exclusion of LUC considerations, and the LCA modelling approach (p<0.001). The estimated climate footprint of biofuels is dependent on the latter three parameters and, thus, is context-specific. It is recommended that these parameters be dealt with in a manner consistent with the goal and scope of the study. In particular, it is essential to interpret the results of the carbon footprint of biofuel systems in light of the choices made in each of these sources of uncertainty, and sensitivity analysis is recommended to overcome their influence on the result.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle