MétaCan
Menu
Retour à la cohorte
Enregistrement W1997106220 · doi:10.3138/carto.48.3.1531

A Cartographic Framework for Visualizing Risk

2013· article· en· W1997106220 sur OpenAlexvenueno aff
John C. Kostelnick, Dave McDermott, Rex J. Rowley, Nathaniel Bunnyfield

Notice bibliographique

RevueCartographica The International Journal for Geographic Information and Geovisualization · 2013
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGeographic Information Systems Studies
Établissements canadiensnon disponible
Organismes subventionnairesIllinois State University
Mots-clésHazardClimate changeKey (lock)CartographyGeographyRepresentation (politics)Computer scienceEnvironmental resource managementNatural hazardRisk analysis (engineering)Data scienceBusinessEnvironmental scienceMeteorologyGeologyComputer securityEcology

Résumé

récupéré en direct d'OpenAlex

Increased attention to global climate change in recent years has resulted in a wide array of maps and geovisualizations that forecast various scenarios. Since many consequences of climate change are inherently geographic in nature, effective cartographic representations that depict these risks are valuable for planning and mitigation purposes. In particular, sea-level rise resulting from climate change calls attention to the numerous representation issues that warrant consideration for hazard and risk mapping in general, including categorizing and representing risk, selecting an appropriate level of realism, and displaying potential impacts of a hazard on human populations as well as on the natural and built environments. Using examples of potential inundation from sea-level rise at global, regional, and local scales, the authors propose a conceptual framework of key cartographic considerations for maps, Web-based mashups, and geovisualizations that depict risk. The cartographic framework presented here may be extended to other risks of an ambiguous or fuzzy nature and may be used to organize key future research areas for hazard or risk mapping in general.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Communication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,789
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,001
Communication savante0,0020,003
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,332
Écart entre enseignants0,314 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations49
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCartographica The International Journal for Geographic Information and GeovisualizationMême sujetGeographic Information Systems StudiesTravaux en français237 207