Analyse de rentabilité de la récolte de biomasse dégradée par les insectes pour la bioénergie
Bibliographic record
Abstract
Les perturbations naturelles font partie intégrante de l’aménagement des forêts boréales canadiennes. Des débouchés doivent être trouvés pour les quantités importantes de bois provenant d’arbres dégradés ou morts. Une option prometteuse est la bioénergie. Cependant, il est essentiel de regarder la rentabilité de cette filière. Une approche par étude de cas a été réalisée pour évaluer la rentabilité d’une usine de bioénergie qui utilise de la biomasse dégradée, dans la province de Québec (Canada), en s’approvisionnant sur les mêmes territoires que les usines de sciage et de pâte. Les opérations forestières de récolte et transport ont été simulées. La rentabilité d’un scénario témoin, pour lequel seulement la récolte de bois marchand destiné au sciage et à la pâte et qui laisse les arbres trop dégradés intacts, a été comparée à la rentabilité d’un scénario transformant les arbres dégradés en bioénergie, tout en transformant les arbres sains en sciage et pâte. Aussi, l’effet de la répartition des coûts fixes sur un plus grand volume de bois a été évalué. Les bénéfices de la récolte de biomasse pour la bioénergie, en termes de réduction de l’intensité des travaux de préparation de terrain, a aussi été évaluée. Les résultats montrent qu’au prix actuel du marché, dominé par les granules de bois, la récolte de bois morts ou dégradés pour faire de la bioénergie n’est pas aussi rentable que de laisser les arbres debout, non coupés. Le scénario de bioénergie reste rentable lorsque le niveau de dégradation moyen est modéré. Aussi, la répartition des coûts fixes sur un plus grand volume de bois a permis de réaliser des économies de 2.83$C/m3 en moyenne. Finalement, la récolte de biomasse pour la bioénergie a permis de réaliser des économies allant de 0 à 500$/ha, en évitant des coûts de préparation de terrain.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".