MétaCan
Menu
Retour à la cohorte
Enregistrement W4407717948 · doi:10.1111/jfr3.70012

Economic Exposure of Canadian Residential Properties to Flooding

2025· article· en· W4407717948 sur OpenAlexafffundabout
Gabriel Morin, Mathieu Boudreault, Jason Thistlethwaite, Michaël Bourdeau-Brien, Jacob Chenette, Daniel Henstra, Jonathan Raikes

Notice bibliographique

RevueJournal of Flood Risk Management · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFlood Risk Assessment and Management
Établissements canadiensUniversité LavalUniversity of WaterlooUniversité du Québec à Montréal
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaPublic Safety Canada
Mots-clésFlooding (psychology)Environmental scienceGeographyPsychology

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Flood risk management (FRM) involves planning proactively for flooding in high‐risk areas to reduce its impacts on people and property. A key challenge for governments pursuing FRM is to pinpoint assets that are highly economically exposed and vulnerable to flood hazards in order to prioritize them in policy and planning. This paper presents a novel flood risk assessment, making use of a dataset that identifies the location, dwelling type, property characteristics, and potential economic losses of Canadian residential properties. The findings reveal that the average annual costs are $1.4B, but most of the risks are concentrated in high‐risk areas. Data gaps are uncovered that justify replication through local validation studies. The results provide a novel evidence base for specific reforms in Canada's approach to FRM, with a focus on insurance that improves both implementation and effectiveness.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,257
Score d'incertitude au seuil0,969

Scores Codex et Gemma par catégorie

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

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 Opus0,007
Tête enseignante GPT0,212
Écart entre enseignants0,205 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations3
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Flood Risk ManagementMême sujetFlood Risk Assessment and ManagementTravaux en français237 207