Electric vehicles and traffic related pollution reduction: a simulation model for Hamilton, Ontario, Canada
Notice bibliographique
Résumé
<div> <p>This paper analyzes the potential contribution of electric vehicles in greenhouse gas (GHG) emissions reduction over the next decade following a simulation procedure. &nbsp;Emissions were assessed through a stepwise methodological approach at the transportation link level in the Hamilton Census Metropolitan Area (CMA). Firstly, different EV market penetration scenarios were introduced and compared to the base case scenario. Following these, the spatial distribution patterns of EVs were predicted using vehicle registration data for the Hamilton CMA as well as socioeconomic data obtained from census records. Properly modified matrices were used as input into our traffic simulation model in order to assign traffic on the network and estimate volumes for each of the links. To this end MOBILE 6.2C<a href="#_ftn1" name="_ftnref1" title="">[1]</a> was customized so as to compute the emission factors. The hourly emissions of each link were mapped in a GIS environment. We conclude that different utilization patterns result to varying spatial distributions of traffic related emissions in the links and even a modest adoption of EV technology may lead to their significant reduction.</p> </div> <div><br clear="all" /> <hr align="left" size="1" width="33%" /> <div id="ftn1"> <p><a href="#_ftnref1" name="_ftn1" title="">[1]</a> MOBILE 6.2C is a version of MOBILE 6 originally developed by U.S Environmental Protection Agency to reflect the vehicle fleet and it was then modified by Environment Canada to embrace Canadian conditions.</p> </div> </div> <p>&nbsp;</p>
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 ».