Making Roads Safer: Optimizing De-icing Using Snowmelt Rates and Slope Data
Notice bibliographique
Résumé
More than $1.5 billion is spent annually on winter road maintenance programs in the United States. With an increase in severe winter storms, many municipalities are encountering difficulty in clearing their roads of ice and snow within their budgetary limits. Currently, roads are classified based on traffic counts, with busier (arterial) roads being treated before less busy (secondary) roads. This approach is problematic because most people live on secondary roads and must travel over these untreated roads before they can reach treated roads. In addition, inefficient distribution of de-icing material can have knock-on environmental impacts with increased material run-off into surrounding areas. To address these concerns, we proposed a road vulnerability index based on rate of snowmelt and road slope. We calculated the snowmelt rates in 1-m by 1-m squares of all roads in Knox County, Tennessee, using an empirical equation developed by the U.S. Army Corps of Engineers. This equation takes in freely available weather data and incident solar radiation, which we calculated based on LiDAR (Light Detection And Ranging) data. Using the model results, we propose a more efficient winter road maintenance strategy: apply de-icers to the steepest roads with the slowest snowmelt, rather than to the busiest roads. Under this approach, we argue that given existing budgetary constraints, more vulnerable roads can be treated with de-icing material and provide for easier mobility for motorists traveling on secondary roads. Our approach provides a more cost-effective, environmentally-conscious, and mobility enhancing application strategy.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».