Forecasting greenhouse gas emissions from road traffic in 2040 across the Greater Montreal Region of Canada
Notice bibliographique
Résumé
• Background and aim: Road traffic is a major source of ambient air pollution and greenhouse gas (GHG) emissions in urban areas and is linked with human health impacts and climate change. Urban land-use planning and travel behavior greatly influence on-road traffic. The aim of this study was to map the spatial distributions of on-road traffic and its associated GHG emissions across the Greater Montreal Region (Canada) for the year 2040 under different population growth and land-use scenarios. • Methods: A random forest model was developed to estimate the annual average daily traffic (AADT) for each road segment based on the 2018 traffic count data collected from in-situ monitoring stations and Google aerial images, an origin-destination travel survey, points of interest from OpenStreetMap, and sociodemographic census data. The spatial distribution of the population in 2040 was then predicted under three population growth scenarios. According to the forecasted population distributions in 2040, we modified the population-related predictors in the 2018 random forest model to map AADT distributions for 2040. Finally, vehicle induced GHG emissions in 2040 were estimated based on AADT. • Results: Our random forest model performed well for AADT prediction, resulting in an R2 of 0.66 in leave-one-out cross-validation. Vehicle induced GHG emissions will increase 13.28% in 2040 compared to 2018 if population growth maintains past trends. GHG emissions will only increase 4.30% and 2.36% with 60% of the new population located within one kilometer of subway stations and with telecommuting increasing by 12.5% and 40% respectively. • Conclusions: Allocating new population in areas with transportation infrastructure and increasing telecommuting can reduce traffic-associated GHG emissions. Our modelling work demonstrates the potential influences of travel behaviors and land use planning on human health and climate change. • Keywords: greenhouse gas emission, traffic count, air pollution, population, land use.
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 ».