Predicting greenhouse gas Emissions in Shipping: A Case Study Of Canada
Notice bibliographique
Résumé
Shipping plays a vital role in global trade, facilitating over 90% of international trade by volume. However, it also contributes to significant environmental pollution, accounting for around 3% of global greenhouse gas (GHG) emissions and substantial amounts of nitrogen oxides (NOx), sulfur oxides (SOx), particulate matter (PM), black carbon (BC), and methane (CH4). These pollutants negatively impact both the climate and public health, particularly in coastal areas. In response, the International Maritime Organization (IMO) has set ambitious targets for reducing shipping emissions, with the goal of achieving near-zero GHG emissions by 2050. Interim goals include a 20% reduction by 2030 and 70-80% by 2040. As part of these efforts, the IMO introduced regulations such as the Energy Efficiency Existing Ship Index (EEXI) and the Carbon Intensity Indicator (CII) to monitor energy efficiency and emissions. To support these regulatory efforts, we propose a machine learning framework to predict GHG emissions from vessels navigating the Saint Lawrence River. By utilizing AIS data, vessel-specific details, and meteorological data, our approach will create a detailed emissions inventory. Using deep learning models, the system will predict emissions based on individual vessel activities. This scalable approach will contribute to more accurate environmental monitoring and support Canada’s broader efforts to reduce emissions from maritime transportation.
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) | 0,003 | 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 ».