Determining optimal forest rotation ages and carbon offset credits: Accounting for post‐harvest carbon storehouses
Notice bibliographique
Résumé
Abstract Sequestering carbon in forest ecosystems is important for mitigating climate change. A major policy concern is whether forests should be left unharvested to avoid carbon dioxide (CO 2 ) emissions and store carbon, or harvested to take advantage of potential carbon storage in post‐harvest wood product sinks and removal of CO 2 from the atmosphere by new growth. The issue is addressed in this paper by examining carbon rotation ages that consider commercial timber as well as carbon values. A discrete‐time optimal rotation age model is developed that employs data on carbon fluxes stored in both living and dead biomass as opposed to carbon as a function of timber growth. Carbon is allocated to several ecosystem and post‐harvest product pools that decay over time at different rates. In addition, the timing of carbon fluxes is taken into account by weighting future carbon fluxes as less important than current ones. Using simple formulae for determining optimal rotation ages, we find that: (1) Reducing the price of timber while increasing the price of carbon will increase rotation age, perhaps to infinity (stand remains unharvested). (2) An increase in the rate used to discount physical carbon generally reduces the rotation age, but not in all cases. (3) As a corollary, an increase in the price of carbon increases or reduces rotation age depending on the weight chosen to discount future carbon fluxes. (4) Site characteristics and the mix of species on the site affect conclusions (2) and (3). (5) A large variety of carbon offset credits from forestry activities could be justified, which makes it difficult to accept any.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».