Risk-based framework to determine climate-informed design storms for road drainage infrastructure
Notice bibliographique
Résumé
Climate change is amplifying extreme precipitation events in many regions and imposes substantial challenges for the resilience of road drainage infrastructure. Conventional design storm methodologies, which rely on historical trends of rainfall data under a stationarity assumption, may not adequately account for future climate change and variability. This study introduces a risk-based framework for determining climate-informed design storms tailored to road drainage systems. The proposed framework integrates climate model projections with risk assessment to quantify the potential impacts of future extreme rainfall on drainage performance and adjust the future design storm, with a focus on the province of Ontario, Canada. Projected precipitation changes for mid- and late-century time horizons are quantified using statistically downscaled CMIP6 General Circulation Models (GCMs). The risk level is defined as a function of hazard and vulnerability, where hazard combines both physiographic and meteorological factors. Vulnerability is composed of socioeconomic, transportation, and environmental considerations. To systematically integrate these components, a weighting scheme is developed based on a sensitivity analysis of the criteria, which provides flexibility in assigning relative importance to each factor. The estimated risk level is then applied to adjust projected design storm accordingly. The proposed workflow is demonstrated through both province-wide and site-specific applications across Ontario's road network to better highlight its scalability and adaptability. The findings signify the necessity of shifting from static, stationarity-based design methodologies to dynamic, risk-informed approaches that enhance the long-term resilience of transportation networks. • A structured and efficient hierarchical framework for flood risk assessment in road drainage design. • Integrating rainfall projections keeps risk relevant for future storm design. • Socioeconomic, transport, and environmental data inform local infrastructure vulnerability. • A dynamic, non-stationary framework provides a more realistic approach to climate risk assessment. • Proposed risk-based adjustment method supports cost-effective and resilient drainage upgrades.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».