Not logged in.

Quick Search - Contribution

Contribution Details

Type Dissertation
Scope Discipline-based scholarship
Title Computational frameworks to increase effectiveness and efficiency of data collection in Life Cycle Assessment
Organization Unit
Authors
  • Jürgen Reinhard
Supervisors
  • Lorenz Hilty
  • Göran Finnveden
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Number of Pages 164
Date 2017
Date Annual Report 2017
Abstract Text Life Cycle Assessment (LCA) is perhaps the leading technique for assessing the environmental impact of products over their entire life cycle, and currently plays a decisive role in the field of environmental management. The technique is highly data-intensive and would be practically impossible without using the background unit process datasets provided by Life Cycle Inventory (LCI) databases. A typical product life cycle covers thousands of unit processes, each of which needs to be described with exchange flow data. Although the increased availability of LCI databases has substantially decreased the amount of work involved in conducting an LCA, the high costs associated with data collection still impose substantial limitations on the quality of LCA. These limitations either take the form of uncertain or incomplete background data, which must be gathered and maintained at great effort, or an excessively generic representation of highly context-dependent activities, for example, agricultural work. The overall goal of this dissertation is to increase the efficiency and effectiveness of data collection in LCA by means of two novel and complementary solutions based on information systems (IS). The first solution is a statistical prioritization approach that directs LCI database improvement efforts toward datasets of key importance in terms of their potential influence on overall database quality. This approach aims to increase the effectiveness of data collection for LCI databases. The second solution is a computational framework that facilitates the automated generation of regionalized cultivation datasets on the basis of publicly available spatial (raster) data. This approach aims to increase the efficiency and quality of unit process dataset generation in the important domain of agricultural LCAs. We examine the first, statistical prioritization approach in detail in two research articles. Article I (Chapter 2) presents a computational framework for prioritizing LCI database improvements. We demonstrate, then evaluate, a method for database-wide contribution analysis (CA) and corresponding summary measures that facilitate the identification of key processes, that is to say, unit processes with consistently large relative contributions throughout all product systems in the database. We show that prioritizing the improvement efforts is very useful because a tiny, robust nucleus of unit processes proves to be consistently important across all product systems and many Life Cycle Impact Assessment (LCIA) indicators. Focusing research efforts on these processes makes it possible to improve the LCI database effectively. Article II (Chapter 3) applies the same statistical prioritization framework to the ecoinvent databases in a comprehensive case study. We identify the most important unit processes according to a set of 19 selected LCIA indicators using a newly developed ranking algorithm. Our study shows that a relatively large proportion of the overall database quality is dependent on a small set of key processes. Overall, 300 (out of 11,000) datasets cause 60% of the environmental impacts across all LCIA indicators, while just three datasets cause 11% of all climate change impacts. We present a ranking of key processes that adds a new perspective to database improvements, in that it makes it possible to allocate resources according to the structural dependencies in the data. We examine the second, regionalization approach in another research article. Article III (Chapter 4) presents a computational framework that allows the automated, site-specific (regionalized) generation and assessment of cradle-to-gate agricultural unit process datasets. The framework facilitates the transformation of publicly available spatial (raster) data into comprehensive unit process datasets using default data from Version 3.2 of the ecoinvent database and the emission models from the World Food Life Cycle Database (WFLDB) guidelines. To illustrate the application of our framework, we describe its key features and present a case study on rapeseed production in Germany. Our study shows that automatically generating regionalized cultivation datasets harbors great potential for improving the accuracy of agricultural unit process datasets in LCA applications. With 580,000 datasets, the case study presented is likely the most comprehensive cradle-to-gate LCA on the climate change and eutrophication impacts of rapeseed cultivation in Germany. Our research demonstrates that both prioritization and regionalization are valid, useful approaches to improving the data foundation of LCA-based decision-making. The prioritization framework makes it easier to align data collection efforts in LCI databases with those datasets that are the most important in terms of their overall influence on the quality of the database. Focusing research efforts on these processes makes it possible to effectively improve the datasets that play a dominant role in nearly every LCA application. Our research provides valuable new design knowledge in the form of operational principles that can be applied and adapted in other, as yet unstudied fields. Our framework for regionalized LCI modeling makes it easier to automatically generate high-resolution agricultural process datasets for all major crops and all regions around the world. The framework improves the geographical representativeness and reproducibility of agricultural datasets and offers new possibilities for their aggregation and analysis. Finally, the design knowledge that we develop provides a starting point for enhancing the utility of LCA, particularly in the context of other environmental system analysis tools.
Zusammenfassung Die Ökobilanzierung (engl. Life Cycle Assessment, LCA) ist vermutlich die bedeutendste Methode zur Beurteilung der Umweltauswirkung von Produkten über ihren gesamten Lebensweg und spielt eine entscheidende Rolle im Umweltmanagement. LCA ist sehr datenintensiv und wäre ohne die Nutzung von modularen Datensätzen aus Inventardatenbanken—sogenannten Hintergrunddaten—praktisch unmöglich. Ein typischer Produktlebensweg beinhaltet tausende von Datensätze und für jeden einzelnen davon muss der detaillierte Stoffwechsel—Material-und Energieströme—beschrieben werden. Die zunehmende Verfügbarkeit von Inventardatenbanken hat den Zeit- und Kostenaufwand für die Durchführung von Ökobilanzen wesentlich reduziert. Die hohen Kosten der Datensammlung führen aber immer noch zu starken Qualitätseinbussen bei Ökobilanzstudien. Einerseits in der Form von unsicheren oder unvollständigen Hintergrunddaten, die mit besonders grossem Aufwand gesammelt und gepflegt werden müssen. Andererseits durch die zu generische Abbildung von hochgradig kontextabhängigen Aktivitäten, die—eben auch aufgrund der hohen Kosten in der Datensammlung—auf Durchschnitte anstatt auf Genauigkeit fokussieren müssen. Das Ziel dieser Doktorarbeit ist die Steigerung der Effizienz und der Effektivität der Datensammlung in der Ökobilanzierung durch die Entwicklung von zwei neuen und komplementären IT-Lösungen. Einerseits wird ein statistischer Priorisierungsansatz entwickelt, der Verbesserungsbestrebungen in Inventardatenbanken auf die Kerndatensätze lenkt, die im Hinblick auf ihren potentiellen Einfluss auf die gesamte Datenqualität von entscheidender Bedeutung sind. Dieser Ansatz zielt darauf ab, die Effektivität der Datensammlung in Inventardatenbanken zu verbessern. Andererseits wird ein computergestütztes Verfahren entwickelt, das die automatische Generierung von regionalisierten Anbaudatensätzen auf Basis von öffentlich verfügbaren, räumlichen Rasterdatensätzen ermöglicht. Dieser Ansatz zielt darauf ab, die Effizienz und die Qualität der Ökobilanzierung im Agrarbereich zu steigern. Wir behandeln den statistischen Priorisierungsansatz in der Form von zwei Forschungsartikeln. Artikel I (Kapitel 2) präsentiert unseren Ansatz zur Priorisierung von Datensatzverbesserungen. Wir demonstrieren und evaluieren eine Methode zur datenbankweiten Anwendung einer relativen Beitragsanalyse und zugehörigen Indikatoren zur Identifikation von Kerndatensätzen. Diese Datensätze zeichnen sich durch einen relativ grossen Beitrag zur Gesamtumweltauswirkung über zahlreiche Produktsysteme in der Inventardatenbank aus. Unsere Studie zeigt, dass die Priorisierung von Datenbankverbesserungen grossen Nutzen hat. Ein robuster und kleiner Kern an Datensätzen ist, trotz Anwendung zahlreicher Wirkungsabschätzungsindikatoren, von konsistent grosser Bedeutung in allen Produktsysteme in der Datenbank. Die Ausrichtung zukünftiger Forschungsbemühungen auf die Verbesserung dieser Datensätze ermöglicht die effektive Verbesserung der gesamten Inventardatenbank. Artikel II (Kapitel 3) wendet das entwickelte Priorisierungsverfahren in einer umfassenden Fallstudie auf die ecoinvent Datenbank an. Wir identifizieren und präsentieren die wichtigsten Kerndatensätze unter Berücksichtigung von 19 ausgewählten Wirkungsabschätzungsindikatoren und unter Anwendung eines neu entwickelten Ordnungsalgorithmus. Unsere Studie zeigt, dass ein relativer grosser Anteil der gesamten Datenbankqualität von der Qualität einer kleinen Anzahl von Kerndatensätzen abhängig ist. Im Grossen und Ganzen verursachen ca. 300 (von insgesamt 11‘000) Datensätze ca. 60% der gesamten Umweltauswirkungen über alle berücksichtigten Wirkungsabschätzungsindikatoren, während 11% der gesamten Klimawirkung von nur drei Datensätzen verursacht wird. Wir präsentieren eine Rangliste von Kerndatensätzen, die eine neue Perspektive auf Datenbankverbesserungen zulässt, eben weil die Zuordnung der verfügbaren Arbeitsressourcen gemäss der strukturellen Bedeutung der Datensätze vorgenommen werden kann. Wir behandeln den Ansatz zur automatischen Regionalisierung von Agrardatensätzen in Form eines Forschungsartikels. Artikel III (Kapitel 4) präsentiert ein Verfahren, das die automatische, standortspezifische (regionalisierte) Generierung und Umweltbeurteilung von Agrardatensätzen ermöglicht. Das Verfahren kann, unter Verwendung von Standarddaten der ecoinvent Datenbank und den Emissionsmodellen der World Food Life Cycle Database Guidelines, öffentlich verfügbare Rasterdaten in vollständige und regionalisierte Agrardatensätze konvertieren. Wir beschreiben die Hauptmerkmale des Ansatzes und präsentieren eine Fallstudie zum Rapsanbau in Deutschland, um dessen Anwendung in der Praxis zu demonstrieren. Unsere Studie zeigt, dass die computergestützte Generierung von regionalisierten Agrardatensätzen grosses Potential zur Verbesserung der Genauigkeit von Agrardatensätzen in Ökobilanzstudien beherbergt. Mit 580‘000 Datensätzen ist die Fallstudie vermutlich die umfangreichste Ökobilanz zu den potentiellen Klima- und Eutrophierungsauswirkungen des Rapsanbaus in Deutschland. Unsere Forschung hat gezeigt, dass Beides, Priorisierung und Regionalisierung wirkungsvolle und nützliche Ansätze zur Verbesserung der Datengrundlage der ökobilanzbasierten Entscheidungsfindung darstellen. Der Priorisierungsansatz ermöglicht die Ausrichtung von Datensammlungen auf die Datensätze, die den grössten Einfluss auf die gesamte Datenqualität haben. Die Konzentration der Forschungsbestrebungen auf diese Prozesse ermöglicht die effektive Verbesserung der Kerndatensätze, die in praktisch jeder Ökobilanzanwendung eine dominante Rolle spielen. Unsere Forschung liefert neues und nutzbringendes Gestaltungswissen in Form von operativen Prinzipien, das auf andere Bereiche übertragen oder an andere Fragestellungen angepasst werden kann. Unser Ansatz zur regionalisierten Inventarmodellierung ermöglicht die automatische Generierung von hoch aufgelösten Agrarprozessen für alle wichtigen Pflanzen und für alle Gebiete der Welt. Der Ansatz verbessert den räumlichen Repräsentationsgrad und die Vergleichbarkeit von Agrardatensätzen und eröffnet neue Möglichkeiten für deren Aggregation und Analyse. Das entwickelte Gestaltungswissen liefert wichtige Ansatzpunkte zur Verbesserung des Nutzwertes der Ökobilanzierung, insbesondere im Rahmen von anderen Umweltsystemanalyseanwendungen.
Other Identification Number merlin-id:16018
PDF File Download from ZORA
Export BibTeX
EP3 XML (ZORA)