Local supply chains: The disaster management perspective
Notice bibliographique
Résumé
Situational awareness of the operational status of specific, critical supply and demand nodes following a major disaster may inform response and recovery activities based on the ability of an infrastructure asset or system to support core facility operations. Near-real-time analysis of infrastructure dependency information is a computationally intensive process that has generally been observed informally by public safety officials. While system-level information may be desired, it has been beyond the capabilities of most local public safety and emergency management agencies. To address this problem, a Grassroots Infrastructure Dependency Model (GRID-M) was developed to enable near-real-time analysis of physical infrastructure dependencies of specific supply and demand nodes within four lifeline sectors: electricity, natural gas, water, and wastewater. The operational status of each node can be characterized as operational, partially operational, or not operational. These statuses are obtained by matching real-time outage or disruption data from utility providers with predetermined specific coping strategies based on a preincident limited infrastructure survey for specific assets within a network. This information can also be paired with a limited damage assessment to provide awareness of the accessibility to, and physical state of, each node within supply chains of interest. GRID-M displays all outputs within a Geographic Information Systems environment with additional prepopulated layers such as real-time traffic and demographic information of the affected communities. As such, GRID-M may be used following a major disaster to support the identification of priority response and recovery objectives based on the disruptions of critical local supply chains and their relationship with affected communities.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».