Analysis of the Effectiveness of Fire Drone Missions at Disaster Sites: An Empirical Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The use of drones in the public sector is expanding to various fields, and its effectiveness has been verified in some cases. Since its introduction to the Seoul Metropolitan Fire and Disaster Headquarters in 2016, drones have been used 1,240 times, including 405 times in disaster response. The purpose of this study is to analyze cases to determine the effectiveness of drones in operations such as searching, acquiring information, and monitoring, compared to traditional disaster response methods. In order to analyze the efficiency of the search missions, we divided the cases into vertical and horizontal searches and measured the response time of the drone compared to that of the firefighters. In terms of the information acquisition missions, the time spent on obtaining information and responding activities when the drone was deployed at building and forest fire sites were compared to missions in which the drone was not deployed. In the case of risk monitoring missions, the scope of the safety management personnel usually deployed at the site and the scope of the drone monitoring were compared. In horizontal searches, such as searching for missing persons, one drone can play the role of 100 people. In addition, drones are more than sixteen times faster than traditional methods in completing vertical searches in high-rise buildings, and 140 s faster in detecting fires in residential areas. Furthermore, it took more than an hour for 78 firefighters to locate a forest fire that broke out at night, but the drone located it in just two min. These results indicate that it is possible to use firefighter personnel more effectively and efficiently by using drones at disaster sites. To that end, more research on how to modulate the duties of firefighters while working with fire drones is required.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 découle