MétaCan
Menu
Retour à la cohorte
Enregistrement W3011745888 · doi:10.1061/(asce)wr.1943-5452.0001178

Ice-Jam Flood Risk Assessment and Hazard Mapping under Future Climate

2020· article· en· W3011745888 sur OpenAlexaffabout
Apurba Das, Prabin Rokaya, Karl‐Erich Lindenschmidt

Notice bibliographique

RevueJournal of Water Resources Planning and Management · 2020
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueArctic and Antarctic ice dynamics
Établissements canadiensGlobal Institute for Water SecurityUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésFlood mythEnvironmental scienceClimate changeFlooding (psychology)Context (archaeology)Flood risk assessmentReturn periodClimate modelClimatologyHydrology (agriculture)HazardLeveeGeographyGeologyOceanography

Résumé

récupéré en direct d'OpenAlex

In cold-region environments, ice-jam floods (IJFs) can result in high water levels in rivers to overtop levees, leading to devastating floods. Since climatic conditions play an important role in ice-jam flooding, there is a growing concern among property developers, insurance companies, government agencies, and communities on future IJF probabilities, especially in the context of changing climate. This study presents a stochastic framework for future IJF risk assessment and hazard mapping. Future hydrological conditions derived from a physically based hydrological model (forced with meteorological inputs from the Canadian regional climate model driven by two atmospheric-ocean general circulation climate models) were coupled to a fully dynamic hydraulic river-ice model to evaluate ice-jam scenarios and subsequent backwater-level profiles for the 2041–2070 period along the Athabasca River at Fort McMurray in Alberta, Canada. The modeling results show that future IJF risk will be lower and flood inundations less severe due to projected changes in climate, hydrology, and ice phenology in the 2041–2070 period compared to the baseline period of 1971–2000. However, extreme IJF events are still probable and can flood a considerable area of the town.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,239
Score d'incertitude au seuil0,476

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,223
Écart entre enseignants0,209 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations31
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Water Resources Planning and ManagementMême sujetArctic and Antarctic ice dynamicsTravaux en français237 207