A Stochastic Modelling Approach to Forecast Real-time Ice Jam Flood Severity Along the Transborder (New Brunswick/Maine) Saint John River of North America
Notice bibliographique
Résumé
Abstract Ice jam floods (IJF) are a major concern for many riverine communities, government and non-government authorities and companies in the higher latitudes of the northern hemisphere. Ice jam related flooding can result in millions of dollars of property damages, loss of human life and adverse impacts on ecology. Ice jam flood forecasting is challenging as its formation mechanism is chaotic and depends on numerous unpredictable hydraulic and river ice factors. In this study, Modélisation environnementale communautaire – surface hydrology (MESH), a semi-distributed physically-based land-surface hydrological modelling system was used to acquire a 10-day flow forecast, an important boundary condition for any modelling of river ice-jam flood forecasting. A stochastic modelling approach was then applied to simulate hundreds of possible ice-jam scenarios using the hydrodynamic river ice model RIVICE within a Monte-Carlo Analysis (MOCA) framework for the Saint John River from Fort Kent to Grand Falls. First, a 10-day outlook was simulated to provide insight on the severity of ice jam flooding during spring breakup. Then, 3-day forecasts were modelled to provide longitudinal profiles of exceedance probabilities of ice jam flood staging along the river during the ice-cover breakup. Overall, results show that the stochastic approach performed well to estimate maximum probable ice-jam backwater level elevations for the spring 2021 breakup season.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».