Applications of remotely sensed data in flood prediction and monitoring: report of the CEOS Disaster Management Support Group flood team
Notice bibliographique
Résumé
The potential of high and low resolution polar and geostationary orbital Earth Resource Satellites have been shown to be an excellent tool for providing hydrological information. Operational geostationary meteorological satellites have the capability to provide precipitation estimates and soil wetness indices at the global scale, while polar orbital satellites can provide the quantification of catchment physical characteristics, such as topography and land use, and catchment variables such as soil moisture and snow cover. There have been many demonstrations of the operational use of these satellites for detailed monitoring and mapping of floods and post-flood damage assessment. This paper addresses the use of Earth Observation satellites for flood managers, flash flood analysis and prediction, and the user community. A remote sensing management cycle is presented that involves: (1) prevention where history, corporate memory, and climatology are important; (2) mitigation that insulates people or infrastructure from hazards; (3) pre-flood which is the preparation and forecast stage where remote sensing is essential; (4) response (during the flood) where "actions to be taken is of key importance and weather NOWCASTS (0-3 hour prediction of precipitation) using remote sensing is extremely useful; and (5) recovery (post flood) which is the post-mortem stage where damage assessment, procedures, and numerical weather prediction and hydrological models are validated. Gaps in our remote sensing capabilities, future improvements and requirements, and the requirement for demonstration projects to illustrate and educate the end-user community on the capabilities of satellite remotely sensed data to provide information during all of the phases of the disaster cycle are discussed.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».