O transporte rodoviário é uma grande fonte de emissões urbanas de carbono. Vários estudos investigaram os fatores que influenciam as emissões de tráfego rodoviário. No entanto, as relações não lineares entre as emissões de carbono e seus determinantes ainda não foram completamente quantificadas e validadas. Neste estudo, um modelo de aprendizado de máquina interpretável é desenvolvido para investigar empiricamente o efeito não linear do ambiente construído sobre as emissões de tráfego rodoviário em nível de vizinhança. Concentrações de CO2 medidas em campo são coletadas para validar os resultados do modelo. Constatou-se que o efeito das características do ambiente construído varia entre diferentes regiões. Os gráficos de dependência SHAP (SHapley Additive exPlanations) indicam que o comprimento das estradas, a mistura do uso do solo e a infraestrutura de transporte estão positivamente associados às emissões em distritos comerciais densamente povoados e mais antigos do centro da cidade. Em contraste, em zonas de alta tecnologia, um uso do solo mais homogêneo e a oferta escassa de lazer/alimentação estão associados a um menor crescimento nas emissões de CO2 relacionadas ao tráfego. Essas descobertas oferecem orientações valiosas para formuladores de políticas urbanas e planejadores na elaboração de estratégias de redução de emissões direcionadas e na otimização do planejamento espacial para alcançar um transporte rodoviário sustentável.
Huang et al. (Ter,) estudaram essa questão.