Fuzzy logic based IEDSSs for environmental risk assessment and management
Notice bibliographique
Résumé
Environmental problems and the related adaptation strategies have grown in \nimportance and complexity during the last years. The large amount of data and information \nthat needs to be handled and integrated requires specific methodologies and tools. Several \nresearch and application activities are undergoing worldwide for the development of \nDecision Support Systems (DSSs) that allow management of multiple and different data in \norder to aid decision-making. In this paper the following DSSs using fuzzy models based \nArtificial Intelligence to address environmental problems will be presented. SYRIADE is a \nSpatial DSS for Regional Risk Assessment of degraded land supporting the inventory and \nassessment of contaminated sites and mining waste sites at regional scale. DESYRE \naddresses the main phases of contaminated sites’ remediation process, e.g. analysis of \nsocial and economic benefits and constraints, site characterization, risk assessment, \nselection of best available technologies, analysis of residual risk and comparison of \ndifferent remediation scenarios. MODELKEY is a GIS-based DSS that supports the EU \nWater Framework Directive (WFD) implementation by allowing the environmental quality \nevaluation of fluvial ecosystems and the prioritization of hot spots along the river basin. \nFinally, the CMCC DSS supports the identification and prioritization of climate change \nimpacts and risks on coastal zones, in order to guide the definition of appropriate adaptations strategies.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».