Methodology to Characterize Agriculture-Related Trucking on Low-Volume Rural Roads to Support Asset Management
Notice bibliographique
Résumé
This paper develops a methodology to characterize agriculture-related trucking on low-volume rural roads. The methodology considers truck trips from the field to intermediate storage facilities (field-to-storage) and from these facilities to market (storage-to-market). The methodology, which applies the transportation systems analysis approach, leverages knowledge from local producers through in-person interviews to qualitatively and quantitatively characterize the transportation supply and demand that generate truck flows. Flow characterization in terms of truck volumes and trip-making characteristics supports asset management decisions, such as maintenance timing and upgrade investments, in addition to providing information for forecasting future demand and infrastructure impacts. The development and application of the methodology contributes in three ways. First, it characterizes truck flows from field-to-storage, a segment of the agricultural supply chain seldom considered by previous research. Second, it demonstrates the extent of information concerning road usage and impacts available from producers. Third, results from the application of the methodology to a study region in Manitoba reveal that: (a) smaller truck types are more commonly used for the shorter field-to-storage trips than storage-to-market trips; (b) actual distance traveled exceeds desired distance traveled, owing mainly to infrastructure-related regulatory constraints; and (c) trip length distributions for the storage-to-market segment exhibit a relationship between trip length and type of truck and commodity. The methodology is transferrable across jurisdictions and scalable for different geographic and temporal scopes. The specific results presented in this paper, however, may not be representative of conditions in other regions.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».