Developing a Predictive Department of Transportation Winter Severity Index
Notice bibliographique
Résumé
Abstract Quantification and prediction of winter storm impacts, and their severity, are important for transportation agencies. The Nebraska Winter Severity Index (NEWINS) used by the Nebraska Department of Transportation provides an independent framework to determine the severity of a winter season through the categorization of individual winter storms. However, a limitation of NEWINS is that it is not predictive for individual winter storms. This study transitions the NEWINS framework from a poststorm retrospective tool to a predictive one, referred to as NEWINS-Predictive (NEWINS-P), using forecasts from the National Digital Forecast Database. The NEWINS-P framework includes five components: snow severity (NEWINS-S), precipitation type, icing, blowing snow, and drifting snow. The components aim to forecast different in-storm and poststorm winter weather hazards over a 72-h duration at a 6-h resolution. The NEWINS-P framework is assessed through spatial forecasts across Nebraska and temporal forecasts at select locations on select Colorado low and Alberta clipper systems from the 2018–19, 2020–21, and 2022–23 winter seasons. The NEWINS-S component is further investigated through assessing forecast trends and system severity. Observational data from multiple sources verify temporal forecasts and system severity. The case study results show that Colorado low systems produce a larger spatial coverage, intensity, and longevity of winter weather hazards than Alberta clipper systems. The NEWINS-P demonstrates reasonable forecasting skills and can be a useful tool to support transportation agencies in their winter maintenance operations for personnel and resource planning in advance of winter storms.
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 ».