Sinking Airports: A Glance at the State of US Transport Infrastructure
Notice bibliographique
Résumé
Abstract Land subsidence poses a growing challenge to the operational safety and structural integrity of global air transport infrastructure. This study assesses the impact of differential land subsidence on airport runways using cutting‐edge Interferometric Synthetic Aperture Radar (InSAR) data across 15 major U.S. airports, providing an estimate of potential foundational damage caused by settlement due to natural and anthropogenic factors. Our findings show San Francisco International Airport experiences the fastest subsidence rate of 9.2 ± 0.2 mm/year, while Los Angeles International Airport has the slowest subsidence rate of 2.0 ± 0.2 mm/year. While 96.1% of runway areas fall under low damage risk, 3.9% are at medium to very‐high (VH) risk, with 3.5 million m 2 exposed to subsidence rates exceeding 5 mm/year and 13,950 m 2 classified as being at high to VH damage risk. Although no accidents have been directly linked to subsidence, increasing maintenance costs underscore the need for proactive monitoring. InSAR provides a near real‐time, cost‐effective solution for detecting infrastructure vulnerabilities, offering a non‐intrusive approach to enhancing airport resilience and operational safety.
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 ».