A global view of future socioeconomic impact of floods based on hybrid simulations
Notice bibliographique
Résumé
<!--!introduction!--><b></b> Floods are generally considered as one of the most significant extreme events in terms of casualties and losses. Although they are a direct consequence of weather and climate extremes, a full understanding of the influence of climate change on their socioeconomic impact requires the consideration of the human component in terms of exposure and vulnerability. At the same time, a global view of flood risk based on large catalogues of physically consistent events is of key interest to environmental research, climate science, economics, and financial risk management. However, the lack of flexibility to account for socioeconomic variables and the high computational cost to produce large global event sets of flood impact for future climate scenarios make the use of regional hydrological models unpractical. As an alterative, in this work we use the global flood modeling framework developed by Carozza and Boudreault (C&B) (Carozza & Boudreault, 2021). The C&B model applies statistical and machine learning methods to relate historical flood occurrence and impact data with climatic, watershed, and socioeconomic factors for 4,734 basins at Pfafstetter level 5 globally. The model is climate‐consistent, global, fast, flexible, and ideal for applications that do not necessarily require high‐resolution flood mapping. After training with observational data in the period 1986-2017, the climate variables are replaced with bias-corrected output from the NCAR CESM Large Ensemble (40 members) to project flood impact up to 2060. We produce a variety of event sets to assess how climate change and future socioeconomic growth may affect flood impact.
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 | 0,001 | 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 | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».