Improving Situational Awareness During Early Earthquake Response Using Existing Seismic Risk Models to Rapidly Estimate Damage
Notice bibliographique
Résumé
In the first several hours following an earthquake, municipalities are often forced to rely upon reports from first responders, reconnaissance along disrupted roadways by emergency personnel, or wait for aerial surveillance and remote sensing. The latter is expected to take at least 12 hours, a crucial period following a major earthquake in which situational awareness can be greatly improved using existing seismic risk modelling tools. This work presents a new initiative to develop a rapid disaster modelling protocol for earthquakes in British Columbia (BC). We explore best practices and the feasibility of using immediately available seismic data in the existing OpenQuake Canada framework to model the impacts to people, the built environment, and the economy from an earthquake in near real-time. The current prototype integrates observed ground motion data from regional strong motion seismometers, like the BC Smart Infrastructure Monitoring System, with physical exposure data from Natural Resources Canada’s Human Settlement Layer to report on key metrics for early response: collapsed buildings, entrapment injuries, hospital demand surge, roadway debris which may block response, and immediate mass care needs like shelter requirements. These indicators will be ported to the British Columbia Common Operating Picture Portal, the online situational awareness and mapping platform for authoritative, collaborative and coordinated distribution of emergency management information in the province. These outputs could be made available within tens of minutes of the earthquake occurring, potentially affording emergency managers the opportunity to best direct resources to save lives and reduce suffering.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».