A mixed integer programming approach to improve oil spill response resource allocation in the Canadian arctic
Notice bibliographique
Résumé
Determining proper locations to establish emergency response facilities is a critical strategic element of pollution preparedness and response planning for oil spills in remote areas. Many location-allocation models are available in the literature, but Arctic contexts such as remoteness and environmental sensitivities are still inadequately investigated while building optimization models. A Mixed Integer Programming (MIP) based optimization model is developed to devise a location-allocation problem: maximizing weighted spill coverage considering spill size, environmental sensitivity, and response time. Strategic decisions - e.g. allocation of stockpiling resources to resource stations and which response stations to open - are incorporated into the model as decision variables. Input parameters of the model are estimated using numerical and geospatial data of potential oil spills and response stations. The model is illustrated for hypothetical oil spill scenarios in the Canadian Arctic. The model provides optimal allocation of resources and recommends best-suited locations to build response facilities. Data visualization tools including Network Diagrams and sensitivity analysis on different model configurations, show the adequacy of the proposed mathematical modelling approach to solve the given problem. Multiple facility locations have been compared to cover all possible oil spills along Arctic shipping routes, further revealing a few better locations considering realistic constraints. Decision makers can use such optimization modelling information – e.g., how many stations to build in the Arctic to adequately cover potential oil spills – to aid strategic decision-making of maritime shipping.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».