A flash flood hazard assessment in dry valleys (northern France) by cellular automata modelling
Notice bibliographique
Résumé
This paper presents an application of a cellular automaton-based run-off model (RUICELLS) to a series of small dry valleys in the Seine-Maritime department, northern France, to better assess their susceptibility to flash flood. These muddy floods shortly follow high rainfall (50–100 mm in less than 6 h) and occur in very small areas (<20 km2). A surge generally rushes down through the main valley just a few minutes after rains have peaked. Previous events (n = 69, in the period 1983–2005) have occasionally threatened human lives and have caused significant damage to property and infrastructure. Nonetheless, given the variation among the valleys and the infrequency of events, these floods have not been numerous enough to permit a statistical analysis. Instead, we numerically simulate the possible future flash floods using RUICELLS, a cellular automaton model driven by a set of three deterministic hydrological rules. Simulations have been conducted for 148 basins, each subject to 16 different rainfall scenarios (2.368 simulations in total) to (1) estimate the peak flow discharges (Q), the specific peak flows (Q s ), and the lag times (T) of the flash floods and (2) detect the critical rainfall intensities that would trigger warnings and increased vigilance. Our simulations indicate that the number of basins susceptible to flash flooding greatly increases with the higher rainfall intensity, the distribution of sensitive crops (sugar beet, corn, maize, and flax) and the basin morphology. Several small basins could also induce by convergence a bigger flood in the downstream humid valleys. The location of the highest simulated discharges is aligned with observed events, and this comparison provides an evaluation of the modelling performance and of the credibility of the results.
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 | 0,001 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».