CARBON EMISSION INTENSITY FOR MELAKA GREEN TECHNOLOGY CITY STATE
Notice bibliographique
Résumé
The study analyzes the carbon emission absolute number and intensity for Melaka state as a response to the Malaysia voluntary reduction target of up to 40 percent in terms of emissions intensity of gross domestic product, GDP by the year 2030 compared to 2005 levels. It is manifested in the vision of Melaka Green Technology city state by 2020. The Global Protocol for Community-Scale Greenhouse Gas Emissions, GPC method deploys to calculate greenhouse gas, GHGs emission resulted from the various development activity in Melaka. This method classified GHG emissions into four (4) mains sectors: stationary energy, transportation, waste, and agriculture, forestry, and other land use (AFOLU) by using secondary data from related government agencies at the state level. The computation by BASIC+ reporting level resulted from an output of GHGs emission translated into carbon emission. Steady increase of GHG emissions was captured from 8,859,802 tCO2e (2013) to 8,911,173 tCO2e (2017). Further, carbon emission intensity calculates by gathering the carbon emission absolute number to Melaka’s population. The emission per-capita increase from 6.19 tCO2e (2013) to 6.88 tCO2e (2017), indicates each person contributes to the increment of GHGs emissions for Melaka state. However, the decrease of emission intensity records from 0.189 tCO2e (2013) to 0.176 tCO2e (2017) compared to an increase in population growth. The study concludes certain influences of the aggressive green technology initiative effect, such as renewable energy, LED street lighting, solar valley, smart metering in the building, electric public bus, no plastic bag, waste recycling to the overall carbon emission intensity of Melaka Green technology City State.
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 | 0,001 | 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 | 0,000 |
| 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 ».