Regional Assessment of Current and Future States of GHGs Emissions: Impacts of Transportation Policy Scenarios
Notice bibliographique
Résumé
Estimating the future state of greenhouse gases (GHGs) and air quality associated with transportation policies and infrastructure investments is key to the development of meaningful transportation and planning decisions. This study describes the design and application of an integrated transportation emission model for the prediction of GHGS in CO2eq in the Greater Montreal Region as a result of transport policy scenarios and Land use scenarios. For this purpose, a travel demand model linked with models for traffic assignment and emissions, was used to simulate GHG emissions in a base year (2008) and a horizon year (2031) while incorporating population and demographic projections. Various stakeholders were consulted in the development of future scenarios affecting land-use and transportation through a web-based survey and workshop.In the 2031 business as usual scenario, an average decrease of 30% in GHG emissions was estimated compared to the 2008 base case. This decrease is primarily attributed to projected improvements in vehicle technology. The modelling system was used to evaluate the impact of a 20% market penetration in electric vehicles, revealing significant reductions in GHG emissions across the region. Work is currently underway to estimate the emissions of nitrogen oxides (NOx) and NO2 concentrations to assess air quality and individuals’ daily exposure by tracking activity locations and trajectories of the population and observe the level of reduction in daily exposures compared to the base case.This study is funded by a collaborative grant from the Canadian Institutes of Health Research (CIHR) and the Natural Sciences and Engineering Research Council of Canada (NSERC) and Ouranos.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».