Modelling weather risk preferences with multi‐criteria decision analysis for an aerospace vehicle launch
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Decision‐making under weather uncertainty is a challenge in several fields. When the decision process involves many stakeholders, frequently with different interpretations of the meteorological information, the process is even more complex. This work provides a quantitative decision model with a new index (called the weather decision index, WDI) to support the stakeholders in making real‐world choices according to their preferences regarding the uncertainty of weather information. The integrated model combines several methods such as problem structuring, multi‐criteria analysis, scenario planning and probabilistic weather forecast techniques. As a demonstration, the model was applied in the sounding rocket launch mission in the Brazilian Space Programme. The WDI captured stakeholders' behaviour related to three meteorological information attributes (probability, lead‐time and variables) and modelled the most important judgements of the decision maker; low probability or an extended lead‐time depreciates the meteorological information, and weather variables are not considered in the decisions, even with forecasts of extreme events. Modelling with the WDI brings a new perspective in weather‐related decision problems. The choice of alternatives no longer depends on a necessarily simplified optimization analysis, but rather on the decision maker's preferences about the possibly nonlinear trade‐offs between forecast reliability and lead‐time. The findings also increase understanding of the forecast decision maker's preferences and how to improve weather risk communication. The WDI provides a starting point for several applications, including early warning systems or climate change adaptation, for which reliable uncertainty estimates are accessible.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle