Evacuation and Reentry Curves for Wildfire Evacuations Using Network Mobility Data
Notice bibliographique
Résumé
With the rise in frequency and severity of wildfire events, understanding evacuation behavior is instrumental for emergency planning. Since evacuations have a strong temporal component, the departure and reentry times of people affect evacuation time estimates (ETEs) and congestion. To better understand emergent behavior and to analyze the temporal patterns in evacuations for improved evacuation planning, this paper investigates the movement of people out of hazard areas into host communities during the May 2023 Alberta Wildfires. While most data for these analyses are collected via traffic counts, mobile phones, or surveys, this research overcomes several limitations of these sources via privacy-protected network mobility data provided by the TELUS Data for Good program. From these data, unique devices were located during the evacuation and reentry time periods to model curves in four communities in Alberta ranging in population from 500 to 8,000: Drayton Valley, Edson, Fox Creek, and Rainbow Lake. The resulting departure time sequences first show generally fast evacuations that best match log-normal and log-logistic functions, and slower multiday, bimodal reentry curves. Second, ETEs were 6 to 10 hours and reentry estimates were 23 to 29 hours, which could be integrated into evacuation simulations and emergency planning. Third, the results suggest stable evacuation “S-shaped” curves and functions that could be used for general wildfire evacuation planning, particularly for smaller, auto-centric communities. Finally, the research showcases the benefit of deidentified network mobility data as an alternative data source and the increasing need to consider host communities in evacuations.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».