Evacuating isolated islands with marine resources: A Bowen Island case study
Notice bibliographique
Résumé
Inhabited islands are susceptible to natural hazards, such as wildfires. To avoid disasters, preventative measures and guidelines need to be in place to strengthen community resilience. If these fail, evacuation is often the only choice. However, island evacuation is a vastly understudied problem in both research and practice, particularly for islands without permanent road connections to the mainland that require marine evacuation. Multiple vessel trips are necessary to evacuate the population from suitable access points, which previous studies did not entertain. Furthermore, most existing studies either focus on evacuations from an academic, or from a government perspective. Instead, this paper presents a collaborative approach. It applies a recently developed evacuation routing model that optimizes the evacuation plan for Bowen Island in Canada through minimizing the expected evacuation time across disaster scenarios. These were designed with the participation of a broad range of stakeholders, from local residents and volunteer groups to agencies from all levels of government and companies, which integrates both academic and practical perspectives to maximize solution quality. Different options for fleet sizes, staging locations and scenarios were considered. The results show that the optimized evacuation time for Bowen Island varies between 1 and 8 h, as it strongly depends on the disaster scenario, the evacuation fleet, and can be accelerated by temporary staging areas. The suitability of the approach for evacuation studies can be confirmed through the identification of key improvements for increased community resilience and the inclusion of the results in the official Bowen Island evacuation plan.
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) | 0,000 | 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 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 ».