GIS derived synthetic rating curves and HAND model to support on-the-fly flood mapping
Notice bibliographique
Résumé
Abstract A timely and cost-effective method of creating inundation maps could assist first responders in allocating resources and personnel in the event of a flood or in preparation of a future disaster. The Height Above Nearest Drainage (HAND) model could be implemented into an on-the-fly flood mapping application for a Canada-wide service. The HAND model requires water level (m) data inputs while many sources of hydrological data in Canada only provide discharge (m 3 /sec) data. Synthetic rating curves (SRCs), created using river geometry/characteristics and the Manning’s formula, could be utilized to provide an approximate water level given a discharge input. A challenge with creating SRCs includes representing how multiple different land covers will slow impact flow due to texture and bulky features (i.e., smooth asphalt versus rocky river channel); this relates to the roughness coefficient ( n ). In our study, two methods of representing multiple n values were experimented with (a weighted method and a minimum-median method) and were compared to using a fixed n method. A custom ArcGIS tool, Canadian Estimator of Ratings Curves using HAND and Discharge (CERC-HAND-D), was developed to create SRCs using all three methods. Control data were sourced from gauge stations across Canada in the form of rating curves. Results indicate that in areas with medium to medium–high river gradients (S > 0.002 m/m) or with river reaches under 5 km, the CERC-HAND-D tool creates more accurate SRCs (NRMSE = 3.7–8.8%, Percent Bias = −7.8%—9.4%), with the minimum-median method being the preferred n method.
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 | 0,000 | 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) | 0,001 | 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 ».