Greenhouse Gas Accounting Procedures in Low Carbon Fuel Policies Lead to Undervalued Benefits of Miscanthus-based Sustainable Aviation Fuel
Notice bibliographique
Résumé
Low carbon fuel policies such as the U.S. Renewable Fuel Standard (RFS), Canada Clean Fuel Regulations (CFR), and California Low Carbon Fuel Standard (LCFS) are intended to reduce the greenhouse gas (GHG) emissions from transportation. Cellulosic feedstocks, optimized biorefineries, and favorable farming locations can significantly reduce biofuel carbon intensity (CI). Despite the emergence of field-to-fuel GHG monitoring technologies that could verify such benefits, programmatic constraints in CI accounting procedures may limit fuel producers’ ability to capitalize on these opportunities. To elucidate the implications of this challenge, this work examines a miscanthus-to-sustainable aviation fuel (SAF) pathway (i) to demonstrate how program provisions drive estimates of biofuel CIs and (ii) to explore potential CI and financial benefits of spatially explicit life cycle assessment (LCA). In comparing policy-based vs. spatially explicit CI scores (estimated via DayCent and BioSTEAM) for SAF production from miscanthus via alcohol-to-jet (ATJ), programmatic CI accounting requirements underestimated GHG benefits in 60-99% of simulated scenarios. These underestimates result in policy-induced SAF price differentials of -1.19 [(-)3.46 to (-)0.23], -0.07 [(-)1.06 to (+)0.37], and -0.48 [(-)2.46 to (+)0.16] $·L-1 for the RFS, CFR, and LCFS, respectively. Ultimately, this work demonstrates the importance of LCA methodological specifications in low carbon fuel policies.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».