MétaCan
Menu
Retour à la cohorte
Enregistrement W4320059853 · doi:10.30880/ijscet.2022.13.04.035

Flood Mitigation Approaches: Selected Cases Across Europe, Oceania and Asia

2022· article· en· W4320059853 sur OpenAlexaff
Nazri Abdul Rahman, Mohd Safri Jamaludin, Lai Wai Tan, Zarina Md Ali, Camilo E. Pinilla

Notice bibliographique

RevueInternational Journal of Sustainable Construction Engineering Technology · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFlood Risk Assessment and Management
Établissements canadiensKGS Group (Canada)
Organismes subventionnairesUniversiti Tun Hussein Onn Malaysia
Mots-clésFlood mythFlooding (psychology)DrainageEnvironmental planningFlood mitigationGeographyUrban planningSustainabilityWater resource managementCoastal floodClimate changeEnvironmental resource managementCivil engineeringEnvironmental scienceSea level riseEngineeringGeologyEcology

Résumé

récupéré en direct d'OpenAlex

Flood is natural phenomenon that cannot becompletelycontrolled by man. Floodis a global problem. Even urban areas whichhave good development planning and drainage systemsare susceptible to floods. Flooding in urban area is usually associated with poor drainage system maintenance, failure to plan drainage system, area development is not planned properly,and climate change factors. Typically,engineering measuresare meanttoreduce severity of flood problems and theyare quite costly. Goal of this paper is to assess the various mitigation approaches that have beenused to mitigate floodsacross Europe, Oceania and Asia continents. Selected casestudies involvingthe North Sea flood, as well as floods in the Netherlands, Scotland, New Zealand, Australia, Hong Kong, Taiwan, Singapore and Malaysiawere considered.Approaches that were highlighted include construction of dam, breakwater, canal, and pumping system. It has alsobeenfound that flood solution methods by way ofsourcecontrolis not so popular to be fully practiced. Hence, the sustainability of good development isactually a solution to problem of flooding, especially to mitigateflash floods that often occur in an urban areas.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,677
Score d'incertitude au seuil0,409

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 Opus0,005
Tête enseignante GPT0,202
Écart entre enseignants0,198 · 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'étudeSans objet
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

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Sustainable Construction Engineering TechnologyMême sujetFlood Risk Assessment and ManagementTravaux en français237 207