Development of A Winter Severity Index for Salt Management in Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper discusses the development of two winter severity indicator models that can be used to evaluate the relative harshness of a winter in comparison with a base period. A winter severity index is a measure of the relative impact of winter weather on winter road maintenance operations using historical meteorological or road weather information system data. Winter road maintenance data were collected from across. Salt usage in tons (salt (t)/lane-km/day) was chosen as the dependent variable, standardized to account for differences in road network and the number of days in the observation period. The first model developed based on meteorological data alone achieved a goodness of fit of 0.54. Explanatory variables were based on snowfall occurrence, air temperature, freezing rain occurrence, and an east-west dummy variable. A second model was developed based on meteorological data together with road weather information system data. This achieved a goodness of fit of 0.60, but was based on a significantly smaller sample size. In this model, pavement temperature was substituted for air temperature. An Index was developed based on the predicted values using a scale between 1 and 100. Calibration factors were developed for twenty different homogeneous groupings across Canada using the Bayesian method. Based on the calibration, thirteen of the twenty groups achieved a better goodness of fit compared to the national model results. The model results show a better performance in heavily populated areas and in eastern Canada. Limitations of the models and recommendations for further research are presented in the paper.
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.
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 | 0,008 | 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 | 0,000 | 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 découle