Flood scenario spatio-temporal mapping via hydrological and hydrodynamic modelling and a remote sensing dataset: A case study of the Basento river (Southern Italy)
Notice bibliographique
Résumé
Today, hydrological and hydraulic modelling are essential tools for flood risk management, although these models are still affected by elements of uncertainty that needs to be reduced by optimizing their results. The present research aims to implement an operational mechanism on the Basento river basin in Southern Italy based on the cascading use of a physically based concentrated-parameter hydrological model for the estimation of flood hydrographs, and a two-dimensional hydraulic model for flood mapping. The calibration of the hydrological model uses physical information to reduce the initial range of the set parameter values, and an automated optimisation procedure based on a genetic algorithm to find optimal values of the model parameters by comparing simulated and observed data for the 2013 flood event. To calibrate the hydraulic model, a series of flood maps extracted from multi-temporal SAR images was used. In addition, validation of the hydrological and hydraulic models was carried out on March 2011 flood event. The results show the reliability of the models during both calibration and validation, with the hydrological model achieving a Nash-Sutcliffe Efficiency coefficient between 0.86 and 0.91, and the hydraulic model leading to results with an accuracy close to 70 %. Considering the significance of the results, the developed modelling chain was used to simulate future event scenarios for risk management assessment and could operate as an early warning system.
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 | 0,000 | 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 | 0,000 |
| 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 ».