Assessment of Air Pollution and Carbon Emission from Fuel Consumption Activities
Notice bibliographique
Résumé
The consumption of fuel is associated with a number of environmental issues. One of the major environmental concerns is the increasing greenhouse gas (GHG) emissions and air pollution. GHG emissions and air pollution are mainly from the human activities such as transportation, non-renewable electricity production, oil and gas production, and heating and cooling of buildings. In this thesis, a comprehensive review was conducted to assess the impact of elements in urban form on on-road vehicles GHG emissions. A small-medium North American city case study was given to track the progress in reducing real-world emissions over time and to estimate the future air quality impacts based on the trends of fleet mixes. It helps gain understanding of detailed source apportionment information to quantify the contributions to total emission made by different vehicle body types, different fuels, and manufacturer models in recent decades and how the fuel economy of the vehicle fleet has changed over the years. Following that, an assessment was conducted to analyze the impact of COVID-19 pandemic on GHG emissions from urban transportation and air quality in Canadian cities. The reduced traffic experienced throughout several lockdowns offers a glimpse of what air quality in cities would look like if the country switched to low-carbon transportation modes. Finally, the reductions in NO2 emissions from thermal power plants in Canada were assessed to evaluate the government commitment of switching from fossil fuels to clean energy. The satellite observation was developed as a supplementary information management tool to verify the effect of technologies and policies on emissions changes from threshold perspective on a smaller spatial scale. Overall, this thesis provides some new insights on assessing air pollution and carbon emission levels from transportation and electricity sectors.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».