Modélisation de scénarios de mobilité sur la carte carbone deMontréal
Bibliographic record
Abstract
Dans son Plan Climat, Montréal vise la carboneutralité en 2050, ciblant les secteurs les plus émetteurs. Dans ce cadre, la Chaire de recherche du Canada sur la mesure de l’impact des activités humaines sur les changements climatiques de l’ÉTS développe la Carte Carbone : un outil à haute résolution spatiale et temporelle permettant de quantifier les émissions de GES et de simuler l’impact de scénarios de réduction, à des fins de sensibilisation et d’aide à la décision. Cette étude contribue au développement de méthodes de modélisation de scénarios de mobilité pour la Carte Carbone. Quatre scénarios en particulier ont été développés : promotion des modes actifs et promotion du covoiturage, électrification des véhicules et usage de carburants plus propres. Une méthodologie combinant l’Enquête Origine-Destination, le modèle de circulation AIMSUN et le modèle d’émissions MOVES a été appliquée à l’arrondissement de Saint-Laurent pour calculer les réductions d’émissions de CO2 associées. Les résultats indiquent que l’électrification accélérée de la flotte automobile est le scénario le plus efficace avec 12 % de réduction, tandis que la combinaison de tous les scénarios permet d’atteindre 20,72 %. Certains scénarios globalement bénéfiques entraînent toutefois une hausse de la congestion sur certaines sections du réseau. Les méthodes proposées constituent une première base pour la modélisation de scénarios de mobilité sur la Carte Carbone. L’intégration de données de mobilité plus récentes et projetées temporellement et la diversification des scénarios simulés seront nécessaires pour améliorer la fiabilité des résultats.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".