DEM Resolution Effects on Coastal Flood Vulnerability Assessment: Deterministic and Probabilistic Approach
Notice bibliographique
Résumé
Abstract Flood modeling is highly influenced by topography data set. Lower resolution digital elevation models (DEMs) are usually used because of their availability and less computational burden when they are used in modeling applications. However, low accuracy of these DEMs yields to even lower accuracy in flood risk analysis through spatial modeling. This study aims to explore the DEM resolution effects on coastal flood risk assessments. For this purpose, deterministic and probabilistic approaches are employed for flood inundation modeling utilizing hydrologically connected bathtub method. High‐resolution light detection and ranging (LiDAR) DEM is considered as the most accurate data from which different resolution maps are obtained using resampling techniques. This is incorporated into an error analysis framework along with U.S. Geological Survey (USGS) National Elevation Dataset (NED) DEMs. The probabilistic framework is developed by simulating the spatial variability of elevation errors compared to LiDAR DEM through a Monte Carlo‐based method called sequential Gaussian simulation. The proposed methodology is applied to the lower Manhattan in New York City. By integrating the flood model into the developed framework, flood inundation probability at each grid cells is obtained. Furthermore, using the concept of accuracy‐efficiency tradeoffs, a framework for selecting a suitable spatial resolution for probabilistic flood risk assessment has been suggested. The results show that by exercising a range of options presented in this paper, a broader insight into mapping resolution can be provided, improving flood assessment, evacuation zones, and mitigation plans depending upon the data availability in a region.
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 | 0,003 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».