Current Limitations and Emerging Trends in Real-Time Mapping of Natural Disaters and the Emergence of Disaster Dashboards for Communicating Risk
Notice bibliographique
Résumé
The frequency and magnitude of natural disasters, especially floods, has been increasing in recent years and climate is expected to exacerbate these events. The increasing availability and number of satellites with continually improving spatial and temporal resolutions can provide efficient data sources to help with real-time disaster relief efforts from hazard assessment to rescue operations. Analyzing these volumes of data requires highly efficient algorithms that can produce fast and accurate results across the complex landscape. Artificial Intelligence (AI) provides an opportunity for repeatable, timely and reliable data processing. Once mapped, getting the spatial information to the users/decision-makers rapidly and in a format that is easily understandable and accessible has been a challenge. New methods of data sharing are emerging and gaining popularity. The widespread stability and availability of the internet has led to a surge in direct data access via Application Programming Interface (API) and interactive dashboards. Since the declaration of a global pandemic, there has been dozens of COVID-19 dashboards developed for tracking new cases. The overwhelming response to these dashboards has led to growth in the development of dashboards focused on assisting the emergency management community and first responders, as these dashboards can provide a common operating picture for multi-users operating from different locations.
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 | 0,023 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,010 | 0,020 |
| Science ouverte | 0,012 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,010 |
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 ».