“Garbage in, Garbage Out” Does Not Hold True for Indigenous Community Flood Extent Modeling in the Prairie Pothole Region
Notice bibliographique
Résumé
Extensive land use changes and uncertainties arising from climate change in recent years have contributed to increased flood magnitudes in the Canadian Prairies and threatened the vulnerabilities of many small and indigenous communities. There is, thus, a need to create modernized flood risk management tools to support small and rural communities’ preparations for future extreme events. In this study, we developed spatial flood information for an indigenous community in Central Saskatchewan using LiDAR based DEM and a spatial modeling tool, the wetland DEM ponding model (WDPM). A crucial element of flood mapping in this study was community engagement in data collection, scenario description for WDPM, and flood map validation. Community feedback was also used to evaluate the utility of the modelled flood outputs. The results showed the accuracy of WDPM outputs could be improved not only with the quality of DEM but also with additional community-held information on contributing areas (watershed information). Based on community feedback, this accessible, spatially-focused modeling approach can provide relevant information for community spatial planning and developing risk management strategies. Our study found community engagement to be valuable in flood modeling and mapping by: providing necessary data, validating input data through lived experiences, and providing alternate scenarios to be used in future work. This research demonstrates the suitability and utility of LiDAR and WDPM complemented by community participation for improving flood mapping in the Prairie Pothole Region (PPR). The approach used in the study also serves as an important guide for applying transdisciplinary tools and methods for establishing good practice in research and helping build resilient communities in the Prairies.
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 | 0,001 | 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 | 0,000 |
| Science ouverte | 0,000 | 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 ».