MétaCan
Menu
Retour à la cohorte
Enregistrement W4309780271 · doi:10.1016/j.dib.2022.108762

Datasets of disrupted transportation networks on Canada's West Coast in a plausible M9.0 Cascadia Subduction Zone earthquake scenario

2022· article· en· W4309780271 sur OpenAlexafffundabout
Luana Souza Almeida, Lauryne Rodrigues, Floris Goerlandt, Jose Ancona-Segovia, Ronald Pelot, David Bristow, Stephanie E. Chang

Notice bibliographique

RevueData in Brief · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueInfrastructure Resilience and Vulnerability Analysis
Établissements canadiensUniversity of British ColumbiaUniversity of VictoriaDalhousie University
Organismes subventionnairesMarine Environmental Observation Prediction and Response Network
Mots-clésSubductionContext (archaeology)Natural disasterResilience (materials science)PopulationGeographyGovernment (linguistics)SeismologyGeologyEnvironmental resource managementComputer scienceEnvironmental scienceMeteorologyArchaeology

Résumé

récupéré en direct d'OpenAlex

This article presents a database with geographical and demographic information characterizing the impacts to road and maritime networks, and coastal communities, of a plausible magnitude M9.0 megathrust Cascadia Subduction Zone earthquake scenario near Vancouver Island in British Columbia, Canada. The database consists of a medium and a high impact case associated with the earthquake scenario. The data include the geographical location of communities, ports, and airports/helipads/heliports, the structure of the roads network and their expected damage levels, the resilience level and population size of the communities on Vancouver Island, and the trajectories, expected delays and capacities of ferries and barges. The data originates from government and carriers' open available reports and external datasets, and several impact models. The primary purpose of this database is to support disaster management researchers working to develop and test network models that focus on road repair and restoration, and on the multi-modal distribution of relief supplies to victims. In addition, the data can be used to test heuristic and metaheuristic approaches applied to network models in the context of natural disasters.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,552
Score d'incertitude au seuil0,541

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,217
Écart entre enseignants0,207 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueData in BriefMême sujetInfrastructure Resilience and Vulnerability AnalysisTravaux en français237 207