Greenhouse gas balance of Russia: the specifics of the federal districts
Notice bibliographique
Résumé
The paper is devoted to the analysis of the greenhouse gas balance developed by the authors for the main participating sectors in the context of federal districts based on actual data for 2021. On the one hand, the energy industry is involved, which is the sector of the economy that occupies a leading position in terms of greenhouse gas emissions – up to 80% of total emissions. Greenhouse gas emissions from the main sectors of the fuel and energy complex were estimated: power generation from fossil fuels and production of fuel and energy resources. On the other hand, the volumes of CO 2 absorbed by managed forests of the forest fund, which are the main sink of CO 2 , were calculated, taking into account losses caused by logging, fires and other causes. The calculated estimates of greenhouse gas emissions showed that the main inflow in all subjects of the Russian Federation comes from energy generation: the largest emission is in the Ural, Central and Siberian federal districts. In terms of greenhouse gas emissions, the Siberian Federal District stands out in coal production, and the Urals Federal District in hydrocarbon production. The largest contribution to the absorption of carbon dioxide is made by the Siberian and Far Eastern Federal Districts. The contribution of these districts to the total figure for Russia is almost half. The only federal district with a negative net balance of greenhouse gases, as determined by the study, is the Far East.
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 | 0,000 |
| 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 ».