MétaCan
Menu
Retour à la cohorte
Enregistrement W4322020199 · doi:10.5194/egusphere-egu23-16824

Flood Preparedness Application Using Pre-determined Global Flood Inundation Maps

2023· preprint· en· W4322020199 sur OpenAlexaffabout
Brett Snider, Robin Bourke, Mathew Godsoe

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueFlood Risk Assessment and Management
Établissements canadiensGovernment of Canada
Organismes subventionnairesnon disponible
Mots-clésFlood mythPreparednessFlood warningNatural disasterEnvironmental planningFloodplain100-year floodWarning systemFlood forecastingGeographyPopulationEnvironmental resource managementEnvironmental scienceBusinessWater resource managementComputer scienceCartographyMeteorologyPolitical science

Résumé

récupéré en direct d'OpenAlex

In Canada, floods are the most common and most costly natural disaster. Floods threaten lives, properties, and the environment and these risks are only expected to increase alongside expected population increase and impacts from climate change. Flood early warning systems (FEWs) can help mitigate the impact of floods by helping inform the public when and where a flood may occur, identifying infrastructure that may be impacted, and disseminating evacuation routes that avoid flooded roads. FEWs have been shown to save lives and mitigate flood impacts. However, many existing FEWs are limited in terms of their forecast horizon and geographical coverage, and also require precise hydraulic models and substantial computing.This paper develops a flood preparedness application for all of Canada to help prepare Canadians for future and imminent floods. This Canadian flood preparedness application addresses limitations associated with many of the developed FEWS in Canada by matching predicted river flows to predetermined return periods for developed global (or country-wide) flood inundation maps. By matching predicted river flow to return periods of predetermined inundation maps, complex computation is avoided reducing response time, and improving geographical coverage (by using a Canada-wide model). Lastly, using the static map approach, the public and emergency personal can help prepare for floods well in advance, identifying their own flood risk and as well as evacuation and muster locations strategies by identifying roads that would likely be flooded under various flood return periods. Overall the Canada-wide flood preparedness application will help protect and better prepare Canadians as flood risks continue to rise by increasing forecast horizon and geographical coverage and minimizing computation. The new approach of using global (or country-wide) static flood inundation maps to inform FEWS may be applicable in other countries where detailed hydraulic models are unavailable or too time consuming to calculate on a continuous or as needed basis.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,864
Score d'incertitude au seuil0,273

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0140,002

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 Opus0,025
Tête enseignante GPT0,306
Écart entre enseignants0,281 · 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 source (Gemma direct ou Codex distillé), 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

Citations0
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetFlood Risk Assessment and ManagementTravaux en français237 207