MétaCan
Menu
Retour à la cohorte
Enregistrement W4405445857 · doi:10.3390/w16243622

Integrating Multiple Levee-Breaching Scenarios and Flood Events to Develop a Probabilistic Spatial Flood-Hazard Map of Etobicoke Creek in Toronto, Canada

2024· article· en· W4405445857 sur OpenAlexaffabout
Florence Mainguenaud, Laurent Peyras, Usman T. Khan, Claudio Carvajal, Bruno Beullac, Jitendra Sharma

Notice bibliographique

RevueWater · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFlood Risk Assessment and Management
Établissements canadiensYork University
Organismes subventionnairesInstitut National de Recherche pour l'Agriculture, l'Alimentation et l'Environnement
Mots-clésFlood mythLeveeProbabilistic logicHydrology (agriculture)HazardEnvironmental scienceGeographyEnvironmental resource managementCartographyWater resource managementGeologyComputer scienceGeotechnical engineeringArchaeologyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Forecasting flood characteristics (e.g., water levels and velocity) is a growing concern due to climate change. It is therefore necessary to consider the stability conditions of earthen levees used to mitigate floods during a flood risk assessment. This technical note presents a method to assess probabilistic flood hazard that takes into account levee failures, for a levee located along Etobicoke Creek in Toronto, Canada. We compute flood scenario probabilities resulting from multiple flood scenarios that accounts for both the levee failures across the length of the levee, and different levee-failure mechanisms (e.g., backward erosion and overtopping). Then, for each location of the flooded area, we compute a cumulative flood exceedance probability curve for flood depth and velocity. This method provides a flood-hazard map (depth and velocity) for a given probability and probabilistic maps for given values of depth or velocity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,068

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,221
Écart entre enseignants0,215 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWaterMême sujetFlood Risk Assessment and ManagementTravaux en français237 207