Integrating HEC-RAS, GIS, and LISREL for assessing and enhancing urban building resilience against flood threats: Comprehensive model and analysis
Notice bibliographique
Résumé
Floods pose significant threats to urban areas, resulting in substantial human and financial losses annually. The vulnerability of key urban centers to these risks diminishes their efficiency, leading to public dissatisfaction and service deficiencies. Recognizing and enhancing the resilience of essential buildings becomes crucial in mitigating these challenges. This study employs a comprehensive approach to achieve a resilience model for critical buildings facing floods. The research process involves the identification of city assets based on leveling criteria, utilizing GIS technology for spatial mapping. HECRAS software aids in river flow modeling, identifying areas lacking flood-carrying capacity. By overlaying vulnerable gravity centers with flood-prone regions, building resilience components are computed through structural factor analysis and LISREL modeling. The study identifies ten key criteria. Further analysis includes resilience modeling using TOPSIS and AHP methods. The positive ideal and negative ideal solutions are determined, resulting in the grading of building resilience. Notably, the balance redundancy index with cascading potential effects attains the highest positive ideal value at 0.257, while the resistance to a level of stress index achieves the lowest negative ideal value at 0.02. This comprehensive approach and modeling contribute to the understanding and enhancement of urban building resilience in the face of flood threats.
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 ».