Classification of Floods in Europe and North America with Focus on Compound Events
Notice bibliographique
Résumé
Compound events occur when multiple drivers or hazards occur in the same region or on the same time scale, hence amplifying their impacts. Compound events can cause large economic damage or endanger human lives. Thus, a better understanding of the characteristics of these events is needed in order to protect human lives. This study investigates the drivers and characteristics of floods in Europe and North America from the compound event perspective. More than 100 catchments across Europe and North America were selected as case study examples in order to investigate characteristics of floods during a 1979–2019 period. Air temperature, precipitation, snow thickness, snow liquid water equivalent, wind speed, vapour pressure, and soil moisture content were used as potential drivers. Annual maximum floods were classified into several flood types. Predefined flood types were snowmelt floods, rain-on-snow floods, short precipitation floods and long precipitation floods that were further classified into two sub-categories (i.e., wet and dry initial conditions). The results of this study show that snowmelt floods were often the dominant flood type in the selected catchments, especially at higher latitudes. Moreover, snow-related floods were slightly less frequent for high altitude catchments compared to low- and medium-elevation catchments. These high-altitude areas often experience intense summer rainstorms that generate the highest annual discharges. On the other hand, snowmelt-driven floods were the predominant flood type for the lower elevation catchments. Moreover, wet initial conditions were more frequent than the dry initial conditions, indicating the importance of the soil moisture for flood generation. Hence, these findings can be used for flood risk management and modelling.
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 | 0,001 |
| 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 ».