A Simplified Conceptual Model Using Global Open-Source Datasets to Provide Continental and Global Scale Fluvial Flood Risk.
Notice bibliographique
Résumé
Hydraulic modelling is used to accurately model extreme flood events but comes with high computational costs, significant data requirements, and long simulation times. Increasing computational resources and higher-resolution data with more spatial coverage means that global-scale flood risk modelling capabilities are constantly evolving. Taking a nested approach, we used the HAND-SRC methodology to develop flood risk data at a continent-scale level and identify areas that would benefit from hydraulic modelling at a more granular level.Height Above Nearest Drainage (HAND) is a simplified method used for flood zoning and identifying areas at risk of flooding using a Digital Elevation Model (DEM), and drainage network – which can be derived from the DEM. The HAND-SRC method uses channel geometry estimates, obtained from the DEM, and the Manning’s equation, to develop synthetic rating curves (SRC) which allow the conversion of flood discharges to a water height. The flood height can then be combined with a HAND model to produce a flood map. Existing applications of HAND SRC include Central and Eastern Canada (Scriven et al. 2021), and rivers in Texas and North Carolina (Zheng et al. 2018), using national datasets. We applied the HAND-SRC methodology using Python and open-source global datasets, to create continental-scale flood risk maps for Europe and the US. The use of open-source global datasets and Python means the method has the potential to be applied anywhere globally.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,007 |
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 source (Gemma direct ou Codex distillé), 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 ».