ANALYSING ATMOSPHERIC IMPACTS OF REGIONAL TRUCK EMISSIONS USING AN INTEGRATED MODELLING APPROACH
Notice bibliographique
Résumé
Transportation technology is providing new ways to mitigate multipollutant emissions co-emitted from on-road sources. Zero-emission vehicles (ZEV) are more common in passenger vehicles and other light-duty vehicles; however, they remain a relatively new technology for most medium-duty and heavy-duty vehicles. As more trucks are adopting zero-emission technology, we need to evaluate whether these mitigation strategies are sufficient in meeting regional reduction goals. Previous studies have evaluated the multipollutant impacts of trucks and other vehicles; however, these methods estimate vehicle activity by empirical data such as surveys, which, unlike process-based models, are not amenable to evaluating significant future technology adoption. \n \nThis research presents a new method to quantify the atmospheric impacts and evaluate mitigation strategies of zero-emission technology in trucks at a regional scale using an integrated assessment model (IAM). This model establishes a connection between EMME, a travel demand model, MOVES, a mobile emissions simulator, and EASIUR, a regression model that produces marginal damage estimates. The IAM estimates a baseline and compares the total damages of alternative scenarios, using different ZEV adoption rates applied to trucks. The annual, ground-level emissions were estimated for the following pollutants using the developed IAM: primary PM2.5, NOX, SO2, NH3, CO2, CH4, and N2O. \n \nThe results from the application of the IAM to the baseline scenario show that the total annual damages resulting from atmospheric emissions from trucks for the Province of Ontario in 2012 is approximately $1.82 Billion (2005 USD). Most of these damages are in Southern Ontario, with Toronto, Peel and York being the top three contributors. Adoption of ZEV decreases these damages linearly. Ontario has an adoption rate goal for ZEV of 5% by 2020. This rate is assumed to hold true for trucks in this transportation network. This goal would yield approximately $89 Million (2005 USD) in benefits annually from trucks alone. This result varies by up to ±25% according to the sensitivity analysis related to the travel and emissions models. Future work should focus on the relationship between emissions to damages, which likely remain the largest source of uncertainty.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».