Lessons learned from existing carbon removal methodologies for agricultural soils to drive European Union policies
Notice bibliographique
Résumé
Abstract Soil plays a central role in the global carbon (C) cycle and the fight against climate change as it contains the largest existing organic C stock on earth. Natural processes exacerbated by climate change and unsustainable agricultural soil management practices are contributing to the steady decrease in organic C stocks in farmland. Carbon farming practices, underpinned by various incentives, can be used to maintain and increase C stocks in agricultural soils. Carbon credit mechanisms, that is, tradable credits each corresponding to one tonne of CO 2 eq, are one such incentive. Carbon credits are issued upon the demonstration of increased soil C stocks over time through the application of C accounting methodologies for each agroecosystem and farming practice. This study presents a detailed and critical analysis of carbon credit methodologies, focusing on agricultural soil C in temperate zones, by comparing the European Commission proposal for a regulation on carbon removals with relevant certification frameworks implemented in extra‐European Union industrialized countries (Australia, Alberta in Canada, United States). Based on this, we recommend strengthening the European Commission proposal by (i) expanding the list of eligible agricultural practices, (ii) setting a minimum maintenance time frame for each agricultural practice and incentivizing longer duration, (iii) setting the Good Agricultural and Environmental Conditions of the European Common Agricultural Policy (CAP) as a regulatory baseline, (iv) beyond the regulatory baseline, defining a farm level baseline in terms of carbon farming practices applied that can be monitored through the Integrated Administration and Control System of the CAP, (v) clarifying the interaction between the European Commission proposal of regulation and the CAP, the Soil Monitoring Law, and Land Use/Cover Area Frame Survey inventory, (vi) retaining a portion of unsold carbon credits as a buffer against the risk of reversal and (vii) applying a default discount to account for leakage risk if yield reductions are observed. We propose these recommendations to guarantee effective environmental protection, technical and bureaucratic feasibility as well as economic affordability for farmers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,038 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».