Advancing blue-green infrastructure design with synthetic 3D drainage channels: A scenario-based flood model in Nova Scotia, Canada
Notice bibliographique
Résumé
Urbanized riverscapes are facing challenges due to hydrological changes. Adjusted flow regimes and imperviousness are contributing to increased flood risks resulting from gray infrastructure and strained subgrade drainage systems. Here a new methodology is presented for designing synthetic 3D drainage channels as blue-green infrastructure to enhance multidisciplinary decision-making for sustainable urban drainage systems planning and elements of nature-based stormwater management. LiDAR derived digital elevation models and River Builder software were used to generate four unique drainage channel scenarios with different surface geometries and vegetative cover types for flood modelling. Flood risks were assessed by fluvial simulation responses to specific channel elements and the design process may translate to real-world applications. Fluvial simulations were compared to evaluate how flood inundation patterns and flow velocities responded to morphology changes and roughness coefficients. Results suggest that incorporating geomorphic principles into open drainage channels can advance blue-green infrastructure design by reflecting more natural morphological elements and improve stakeholder engagement that is well suited for nature-based solutions. By combining high-resolution LiDAR data and process-based River Builder functions, the methodology presents a design tool for interactive investigation, adjustment, and communication of continuous 3D channel design scenarios. Although further site-specific studies are needed and additional metrics may be applied, this paper demonstrates a flexible framework to support sustainable urban drainage systems and nature-based stormwater management approaches in urbanized riverscapes.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».