MétaCan
Menu
Retour à la cohorte
Enregistrement W4408426750 · doi:10.5194/egusphere-egu25-10845

Cost-effective climate benefits through fluorocarbon lifecycle management in China

2025· preprint· en· W4408426750 sur OpenAlexaboutno aff
Ziwei Chen, Pallav Purohit, Fuli Bai, Thomas Gasser, Yue He, Lena Höglund-Isaksson, Pengnan Jiang, Jianxin Hu

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineMaterials Science
ThématiqueMaterial Properties and Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFluorocarbonChinaSystem lifecycleApplication lifecycle managementEnvironmental resource managementBusinessEnvironmental scienceEngineeringComputer scienceGeographyChemical engineering

Résumé

récupéré en direct d'OpenAlex

Achieving global climate goals requires heightened ambition and innovative measures. Banks of hydrochlorofluorocarbons (HCFCs) and hydrofluorocarbons (HFCs), potent non-CO2 greenhouse gases, represent a significant yet untapped mitigation opportunity. Globally, fluorocarbon refrigerant banks are estimated at 24 Gt CO2-eq and continue to grow, forming a massive and expanding reservoir of greenhouse gases that will eventually be released into the atmosphere if left unaddressed. While the Montreal Protocol and its Kigali Amendment regulate the production and consumption of fluorocarbons, emissions from existing stocks remain largely unregulated. Fluorocarbon lifecycle management (FLM) – encompassing leakage prevention, recovery, recycling, reclamation and destruction – presents a viable solution to mitigate these emissions. In China, the world’s largest producer and consumer of HCFCs and HFCs, implementing FLM could unlock substantial mitigation potential beyond current climate action, serving as a critical step toward net-zero goals. This study provides the necessary systematic evaluation to harness this opportunity.To comprehensively assess the emission profiles of banked fluorocarbons with or without FLM, we developed the Extended Lifecycle Emissions Framework (ELEF), a refined emission modeling approach rooted in IPCC methodologies. ELEF expands conventional frameworks to cover both direct and indirect emissions across the entire lifecycle of fluorocarbons in equipment/product. A bottom-up cost analysis, adapted from the widely applied Greenhouse gas and Air pollution Interactions and Synergies (GAINS) framework to capture sector- and substance-specific treatment nuances, was conducted to assess the cost-effectiveness of FLM in China. Leveraging detailed activity data and localized emission factors, we reconstructed the country’s fluorocarbon banks and emissions from 2000 and projected them through 2060. Mitigation potential was then quantified across varying ambition levels defined by abatement cost cap, with climate impacts assessed using impulse response functions (IRFs) that incorporate climate-carbon feedback.Our results reveal that China currently holds 3.6 ± 0.1 Gt CO2-eq of fluorocarbon banks, which are projected to peak at 4.5 ± 0.1 Gt CO2-eq by 2034. If unmanaged, emissions from these banks could contribute an additional 0.014℃ to global warming by mid-century. FLM, however, could prevent up to 8.0 Gt CO2-eq of cumulative emissions by 2060, reducing the peak temperature increase contribution by 62.4%. Notably, 57 out of 76 mitigation options analyzed exhibit average abatement costs below 10 USD/t CO2-eq, enabling 93.2% of the maximum mitigation potential at a total cost of 18.9 billion USD. These cost-effective measures could deliver additional mitigation equivalent to over 50% of the 13 Gt CO2-eq reductions pledged under the Kigali Amendment in China, or reduce the surface warming contribution of global HFC emissions in 2050 by more than 10%.This study introduces a robust framework for assessing the costs and benefits of FLM. By applying it to China, we demonstrate the significant mitigation scale and feasibility of national-level implementation. Our findings highlight the substantial and cost-effective climate benefits achievable through FLM, offering policymakers an actionable pathway to bridge the emission gap and echoing recent international calls for immediate action.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,092
Score d'incertitude au seuil0,183

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,297
Écart entre enseignants0,268 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMaterial Properties and ApplicationsTravaux en français237 207