Construction Cost-Based Effectiveness Analysis of Green and Grey Infrastructure in Controlling Flood Inundation: A Case Study
Notice bibliographique
Résumé
Global climate change and rapid urbanization have increased the frequency of urban flooding.In this work, SWMM was used to simulate the implementation of low impact development (LID) practices, drainage network reconstruction, and detention tanks to evaluate potential reductions in flood severity in the TQ subdistrict of SH city, China.Two assessment indexes, construction costs and construction effectiveness, were used to evaluate model results for three scenarios.Construction effectiveness was quantified by reductions in total flood volume and peak flow rate.Results show that LID practices such as permeable pavement and sunken green space mitigate the flooding by reducing total flood volume by 8.6% and decreasing surface runoff by 7.9%, at a cost of $0.34 million.Reconstructing the drainage network reduced total flood volume by 38.4%, which is less than the 46.6% given by detention storage construction.However, the peak flow for drainage network reconstruction decreased by 46.6% and peak flow for detention construction was reduced by 50.1%.Despite the lower peak flows, three nodes experienced flood durations longer than the general guideline of 1 h for network reconstruction, while only two nodes did so with detention tanks.Thus, detention tanks are more effective in reducing the effects of flooding than drainage network reconstruction.Detention tanks are also more cost effective, costing $1.59 million, while network reconstruction cost $1.74 million.While this study considers flood risk reduc-tion only in regard to economics and effectiveness, the benefits extend to the environment, ecology and human populations.Consequently, this paper can be used as a guide for planners and engineers who make flood mitigation decisions in using these techniques for balancing construction costs and effectiveness.This study should be meaningful for urban stormwater system design, planning, and construction in other southeastern cities of China with high water coverage ratios.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».