MétaCan
Menu
Retour à la cohorte
Enregistrement W4366724863 · doi:10.1088/2634-4505/accf33

Policy approaches to mitigate in-use methane emissions from natural gas use as a marine fuel

2023· article· en· W4366724863 sur OpenAlexafffund
Imranul I. Laskar, Amanda Giang

Notice bibliographique

RevueEnvironmental Research Infrastructure and Sustainability · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMaritime Transport Emissions and Efficiency
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMitacsMarine Environmental Observation Prediction and Response Network
Mots-clésFlexibility (engineering)Climate policyMethaneNatural gasCorporate governanceClimate changeEnvironmental scienceFossil fuelGreenhouse gasEnvironmental resource managementLiquefied natural gasEnvironmental economicsBusinessNatural resource economicsEconomicsEcologyWaste managementEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract Unregulated in-use methane emissions (or methane slip) can reduce or even eliminate the overall climate benefits of using liquefied natural gas as a marine fuel. We conduct critical review and expert interviews to identify methane slip mitigation measures, and then identify and evaluate potential policy instruments that could incentivize their uptake while considering the shipping sector’s climate targets. We find that regulatory instruments are expected to perform the best across a range of criteria when they are at the global level, include methane on a CO 2 -equivalent and lifecycle basis, promote polycentric approaches to climate governance, and allow flexibility in how the industry incorporates decarbonization measures. Market-based approaches and informational governance policies complement regulatory instruments by improving cost-effectiveness and increasing the availability of relevant information on emissions mitigation. The urgency and scale of shipping climate targets underscore the need for policy approaches that support planning for long-term decarbonization pathways and that can avoid locking into fossil-carbon intensive systems.

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)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge 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 enseignants0,063
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
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 savante0,0000,001
Science ouverte0,0000,002
Intégrité de la recherche0,0000,001
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 Opus0,040
Tête enseignante GPT0,301
Écart entre enseignants0,261 · 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

Citations7
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnvironmental Research Infrastructure and SustainabilityMême sujetMaritime Transport Emissions and EfficiencyTravaux en français237 207