Relative sensitivity value (RSV): A metric for measuring input parameter influence in life cycle assessment modeling
Notice bibliographique
Résumé
Life cycle assessment (LCA) is a commonly used tool to quantify life cycle environmental footprints of products. Uncertainty in LCA modeling, particularly from uncertainty in production practices (represented through input parameter arguments), can lead to incorrect conclusions and hamper decision-making. Characterization of uncertainty through stochastic means and sensitivity analysis is utilized in a small fraction of LCA case studies, and the majority of studies default to scenario analysis due to its lower barrier to implementation and its results are easier to interpret. In this article, we introduce a sensitivity metric, relative sensitivity value (RSV), which allows LCA practitioners to gauge the relative influence of production practices on life cycle impacts in multiple phases and impact categories. Relative sensitivity value bridges the gap between scenario analysis and global sensitivity analysis, and it allows an LCA practitioner to provide an easy-to-interpret metric for quantifying the degree to which incremental changes in production practices influences the life cycle environmental footprint. We present the methodology used to calculate RSV and provide programming code, which can be readily used by an LCA practitioner to calculate RSV for their LCA model. We demonstrate the usage of RSV through a livestock husbandry LCA case study, in which we show how RSV results may be presented and interpreted, and how conclusions regarding production practices may be drawn. Integr Environ Assess Manag 2023;19:547-555. © 2022 SETAC.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».