Opportunities for Leveraging Existing Hydrologic and Hydraulic Models Developed for Water Quantity Management to Mitigate Flooding Due to Extreme Precipitation
Notice bibliographique
Résumé
With a focus on a specific flood-prone community in Camden, NJ, this research utilizes a detailed hydraulic and hydrologic (H&H) model to assesses the impacts of climate change on Combined Sewer Overflows (CSOs) and localized flooding under two different infrastructure scenarios. In the US, the Clean Water Act compels regulated utilities to develop Long-Term Control Plans to reduce combined sewer overflows (CSOs), but there is no parallel mandate to simultaneously reduce flooding within the associated service areas. With different control measures in place, H&H models are frequently used to evaluate CSO volumes and frequencies under historical climate conditions. However, precipitation intensification and sea level rise (SLR) will also modify CSO volumes. This study uses a calibrated and validated 1D and 2D Personal Computer Stormwater Management Model (PCSWMM) simulation to predict both CSO discharges and flooding under different climate and infrastructure scenarios. A total of ten climate change scenarios comprising a range of plausible climate futures are considered. The infrastructure scenario that is tested would divert stormwater generated in an upstream municipality (Pennsauken, NJ) away from Camden’s combined sewer system. Without the disconnection, increases in precipitation will increase CSOs, whereas SLR primarily increases flooding. The proposed mitigation strategy can immediately reduce both CSOs and flooding, but with diminishing effectiveness over time, as climate change demonstrates the need for supplemental measures. Areas for further analysis regarding alternative mitigation methods and future research are outlined.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».