Addressing spatiotemporal variability in life cycle assessment: review focused on applications relevant to agriculture
Notice bibliographique
Résumé
Agricultural life cycle assessment (LCA) studies often rely on aggregated, national-scale inventory data, which risks misrepresenting actual inventories and environmental impacts at regional or local levels. Variability in soil characteristics and climate conditions exacerbates this issue, particularly in field- or farm-level assessments. LCA accuracy improves when regionalized inventory data and updated methodologies are used, though practical implementation is often limited by the lack of standardized frameworks, spatially/temporally relevant inventory data, and software limitations. This study used the Preferred Reporting Items for Systematic Reviews and Meta-Analysis (PRISMA) method to identify literature addressing spatiotemporal variability in LCA, and identification of software and/or techniques used in the domain. It evaluated methods currently used to incorporate such variability, highlighting the strengths and weaknesses of each. The contribution of the review is presented as the first systematic synthesis of spatial and temporal methodological approaches for agricultural LCA coupled with a practical decision-support framework for practitioners. Geographic information systems enhance LCA accuracy by modeling spatial and temporal patterns. Among the available tools, Brightway2, Temporalis, and OpenLCA are the most capable of dynamic and regionalized LCA, with Ecoinvent offering the most regionalized background data. While spatial differentiation is valuable, highly granular modeling (e.g., individual plant or row level) is often unnecessary for accurate results. However, detailed inventories are beneficial for specific applications like precision agriculture. Land use and soil organic carbon were the most commonly cited topics related to spatial and temporal variability. • Global review of agriculture LCA studies, focusing on spatiotemporal variability and current method strengths/weaknesses. • Brightway2, Temporalis, and OpenLCA among most comprehensive programs. • Ecoinvent provides the most regionalized life cycle inventories for background data. • Modeling impacts to a high granularity is not always necessary to obtain accurate and useful LCA results for most systems.
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 | 0,006 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,009 | 0,015 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».