எங்கள் குழு ஒவ்வொரு ஆண்டும் அமெரிக்கா, ஐரோப்பா மற்றும் ஆசியா முழுவதும் 1000 அறிவியல் சங்கங்களின் ஆதரவுடன் 3000+ உலகளாவிய மாநாட்டுத் தொடர் நிகழ்வுகளை ஏற்பாடு செய்து 700+ திறந்த அணுகல் இதழ்களை வெளியிடுகிறது, இதில் 50000 க்கும் மேற்பட்ட தலைசிறந்த ஆளுமைகள், புகழ்பெற்ற விஞ்ஞானிகள் ஆசிரியர் குழு உறுப்பினர்களாக உள்ளனர்.
அதிக வாசகர்கள் மற்றும் மேற்கோள்களைப் பெறும் திறந்த அணுகல் இதழ்கள்
700 இதழ்கள் மற்றும் 15,000,000 வாசகர்கள் ஒவ்வொரு பத்திரிகையும் 25,000+ வாசகர்களைப் பெறுகிறது
Zhuo Yao, Heng Wei and Harikishan Perugu
Household travel related Greenhouse Gas (GHG) emissions have been identified as one of the major contributors to greenhouse gas emissions. Many studies have suggested that household trips and their associated GHG footprints are pertinent in great part to land use type and socioeconomic of the household. The current practice of GHGs emission laws and regulations recommend using outputs from travel demand model for GHG and other regulated emission analysis. Conventional travel demand forecasting models are aimed at conducting a macroscopic simulation analysis at an area or regional level of the roadway network but it is unable to generate traffic flow operational data at a microscopic level such as speed, acceleration or deceleration at a fine spatiotemporal scale. On the other hand, the household travel GHG emissions, similar to the household location itself, are spatially and temporally dependent. The spatial factors’ role in the modeling of the household travel GHG footprint is unclear. To address the above gaps, this research proposes a robust household travel GHG quantification method with spatial information considered. By utilizing the greater Cincinnati GPS household travel survey data, household travel is accurately mapped to its origin and linked to the household’s socio-economics and demographic characteristics. The regional traffic analysis zone-based GHG emissions generated from the sampled households are, therefore, spatially modeled by using spatial regression models that originated from econometrics. The results showed that the Spatial Durbin Error model fits the data better comparing to other candidate models.