Visualizing the impact of natural disaster disruption events with 511 data : a case study in the province of British Columbia, Canada
Notice bibliographique
Résumé
This thesis presents a methodology for identifying highly impacted locations on the provincial highway system of British Columbia (BC), Canada, due to disruption events caused by five groups of natural disasters, and for visualizing the degree of impact of these disruptions. Data is obtained from the province’s DriveBC road condition and incident information system. A data parsing procedure is developed to improve data governance. Based on the data provided by DriveBC, natural disaster disruption events occurring on the BC highway network for the years 2017 through 2021 were identified and categorized into the five groups of natural disasters. The impact caused by each disruption event was represented by a score calculated using a weighted linear sum multi-criteria decision analysis (MCDA) model, which uses four criteria to produce an impact score for each event based on a pairwise comparison between each pair of criteria. The Kernel Density Estimation (KDE) for Lines method enables the visualization of the degree of impact of natural disaster disruption events by estimating the density of events weighted by the impact scores of all events found within an array of 50-km by 50-km raster cells. Higher resulting total impact scores are linked to higher impacted highway locations. Highway locations most impacted by events in the five groups were identified and mapped. A top ten list is provided for each map. Connections between the top highway locations and extreme weather events are made when possible.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».