Corridor-Level Air Quality Analysis of Freight Movement
Notice bibliographique
Résumé
The main objective of this research is to investigate the issues and opportunities for improving climate change and air quality implications of freight movement along a North American corridor. The paper presents a case study to determine the impact of truck and rail freight movement on air quality along the corridor from Mexico City, Mexico, to Montreal, Quebec, Canada. Network and freight activity data were assembled for the corridor for a base case (corresponding to the year 2010) and a future case (corresponding to the year 2035). Emission rates for the case study were obtained from the U.S. Environmental Protection Agency's MOBILE6.2 emission model. Parameters such as vehicle age distribution from vehicle registration data were used to refine the emission rates. Rail emissions calculations are based on U.S. average emission and fuel consumption rates. These rates were revised to reflect the ongoing improvements in locomotive engine standards. The results show that freight movement will continue to cause substantial amounts of carbon dioxide emissions. Current levels of rail emissions are not significant compared with those of trucks; however, the share of rail emissions for some pollutants will increase over time. Because of the vast differences between truck and rail operations in terms of routing and operational practices, it is recommended that rail and truck analyses be performed separately to gauge environmental and air quality impacts. It was also determined that the emerging sources of data such as Global Positioning Systems and engine loggers can lead to improved monitoring accuracy; however, making use of these potential resources requires cooperation between the freight industry and transportation and environmental agencies.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».