Development of rapid visual screening form for Nepal based on the data collected from - its 2015 earthquake
Notice bibliographique
Résumé
Abstract An earthquake on the 25th April 2015 in Nepal caused more than 9,000 deaths and 22,000 causalities. The main reason for such huge casualties is the lack of earthquake awareness and poor construction practices. With a large number of vulnerable houses, Nepal faces a huge risk from future earthquakes, due to the recent construction in urban areas of poorly designed and constructed buildings. Such unplanned and haphazard growth will be potentially dangerous from natural events like earthquakes. A vulnerability map gives the exact location of sites where people, natural environments and or properties are at risk due to a potentially catastrophic event. This will allow them to decide on mitigating measures to prevent or reduce loss of life, injury and environmental consequences before a disaster occurs. While Rapid Visual screening is a classical method of preliminary vulnerability study, it is one of the most economical, reliable, simple and efficient methods to determine the vulnerability level of buildings. The most known rapid visual screening methods have been developed in countries of high seismic risk such as the USA, Japan, Indonesia, New Zealand, India and Canada and are briefly described in this paper. The main objective of this paper with the help of ordinal regression is to calculate variables of damage grade model in a rapid visual screening form. This is useful to identify vulnerable and non-vulnerable buildings very quickly, and help make a plan for the implementation of a disaster risk mitigation program. Based on SPSS Statistics Software, an ordinal regression method was used to model the relationship between outcome variables. The analysis was performed by employing a database after the 25th April Gorkha earthquake of 2015. Preparing RVS special features of buildings in Nepal, have been given due consideration, and were evaluated for adherence of age, plan configuration, position, land surface condition, plinth area, building height, floor count, foundation types, ground floor types, roof types, condition, are highly significant parameters in analysing the vulnerability of them during an earthquake.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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 ».