MétaCan
Menu
Retour à la cohorte
Enregistrement W4289985716 · doi:10.5539/mas.v16n4p1

Climate Change Mitigation Technologies: Prospects and Challenges

2022· article· en· W4289985716 sur OpenAlexvenueno aff
Bernard Arogyaswamy

Notice bibliographique

RevueModern Applied Science · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnergy and Environment Impacts
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRenewable energyFossil fuelEnvironmental economicsGreenhouse gasClimate change mitigationClimate changeNatural resource economicsBusinessEnvironmental scienceEmerging technologiesEnvironmental resource managementComputer scienceEconomicsEngineeringEcologyWaste management

Résumé

récupéré en direct d'OpenAlex

One of the significant, perhaps momentous, developments in the effort to mitigate climate change has been the convergence around the target of Net Zero Emissions (NZE). The path to NZE envisions a massive increase in the installed capacity of renewable energies (REs)accompanied by a radical reduction in fossil energies. The paper outlines the main technologies required to make renewables a reliable alternative. Storage mechanisms such as batteries, hydrogen, and pumped storage are reviewed. Major impediments to the replacement of fossil fuels with renewable sources include technological, political, and social lock ins. Since NZE emissions are unlikely to be realized without installing negative emission devices, carbon dioxide removal methods and their concomitant challenges are discussed. Demand side mitigation in the transport, buildings, and industry sectors, relevant technological solutions, and adjustments to social preferences are briefly addressed. In addition to analyzing the challenges to realize an NZE world, the paper cautions against a single metric focus while ignoring concerns over adaptation, rising inequalities, water and food availability, and biodiversity. The financial implications of the various mitigation technologies are highlighted along with the need to transfer technologies and funds to developing nations to avoid and/or reduce 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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,624
Score d'incertitude au seuil0,642

Scores Codex et Gemma par catégorie

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

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 Opus0,027
Tête enseignante GPT0,208
Écart entre enseignants0,181 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueModern Applied ScienceMême sujetEnergy and Environment ImpactsTravaux en français237 207