MétaCan
Menu
Retour à la cohorte
Enregistrement W2307140105 · doi:10.14796/jwmm.c401

High Resolution Flash Flood Forecasting for the Dallas-Fort Worth Metroplex

2016· article· en· W2307140105 sur OpenAlexvenueno aff
Hamideh Habibi, Arezoo Rafieei Nasab, Amir Mohammad Norouzi, Behzad Nazari, Dong‐Jun Seo, Ranjan S. Muttiah

Notice bibliographique

RevueJournal of Water Management Modeling · 2016
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiquePrecipitation Measurement and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Massachusetts AmherstNational Science Foundation
Mots-clésFlash floodFlooding (psychology)Flood mythEnvironmental scienceHydrology (agriculture)MeteorologyFlash (photography)PrecipitationNational weather serviceWarning systemWater resource managementGeographyEngineeringTelecommunicationsArchaeologyGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

Urban flash flooding is a serious problem in large highly populated areas such as the Dallas-Fort Worth metroplex (DFW).Being able to monitor and predict flash flooding at a high spatiotemporal resolution is critical to mitigating its threats and for cost effective emergency management.In this work, the prototype high resolution flash flood warning system under de velopment for DFW is described and a case study of the flash flooding event of 2014-06-24 in Fort Worth presented.The high resolution (500 m, 1 min) precipitation input comes from the DFW Demonstration Network of the Collaborative Adaptive Sensing of the Atmosphere (CASA) X-band radars.The hydrologic model used is the National Weather Service Hydrology Laboratory's Distributed Hydrologic Model (HL-RDHM) operating at a 500 m resolution.The model simulation results are assessed using the flooding reports received from residents throughout the event by the City of Fort Worth.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,118
Score d'incertitude au seuil0,235

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,057
Tête enseignante GPT0,218
Écart entre enseignants0,161 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations16
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Water Management ModelingMême sujetPrecipitation Measurement and AnalysisTravaux en français237 207