Application of LiDAR-Derived Data using Multi-Criteria Evaluation (MCE) and Stochastic Modelling; A Flood Risk Analysis of the Mersey River, Nova Scotia
Notice bibliographique
Résumé
The Maritime province of Nova Scotia has seen coastal flooding become a more frequent phenomenon during the past decades due to the changing climate regime. This has influenced the interest provincial and federal governments have in flood risk modelling, who often incorporate Geographic Information Systems (GIS) as useful tools in their analysis. Incorporating LiDAR-derived digital elevation models (DEMs) in their workflows is the next step in hydrological analysis, as LiDAR-derived DEMs offer high resolution data for the analysis of flood risk without the need to rely on biotic or hydrological data. This study aims to follow this theme in order to model the effects of inland flooding in the low relief landscape of the Mersey River, located in Queen’s County, Nova Scotia, and its effects on the infrastructure built along the river network. The analysis included multi-criteria evaluation (MCE) methods coupled with a stochastic simulation approach in order to determine areas where vulnerability is the most certain. Results indicated that high flood risk is present in urbanized areas within 1 km of the Mersey River at a low degree of uncertainty, making them the best candidates for flood-preventive measures. The accuracy provided by LiDAR-derived DEMs supported a high-quality workflow for the MCE and DEM error analysis, proving their utility for floodplain delineation. The addition of historical and hydrological data to future projects could build on the results presented in this study, adding more to the literature on flood risk modelling along the Mersey River.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».