Dataset for "A Probabilistic Framework for Spatio-Temporal Social Vulnerability Assessment to Flood Hazards in Canada using Bayesian Machine Learning"
Notice bibliographique
Résumé
This dataset provides the foundational geospatial and socioeconomic data used in the manuscript "A probabilistic framework for spatio-temporal social vulnerability assessment to flood hazards in Canada using Bayesian machine learning" (Chakraborty et al., 2025), accepted and published in the Springer Nature "Journal of Geovisualization and Spatial Analysis" (DOI: 10.1007/s41651-025-00247-y). It offers a comprehensive suite of indicators designed to quantify social vulnerability through advanced computational methods, including Bayesian machine learning (ML), mutual information regression (MIR), and Monte Carlo simulations. This dataset ensures maximum transferability of the research and allows for the precise reproducibility of empirical results. Users are responsible for verifying the accuracy and applicability of the data for their specific needs. Redistribution or commercial use of the data is subject to licensing restrictions from original data providers. Cite appropriately when using this dataset in other publications or presentations. Key Components: Geospatial Layers: Shapefiles (.shp) containing administrative boundaries and spatial attributes. Socioeconomic & Demographic Indicators: Processed variables from Statistics Canada, including income, housing, and education metrics. Racial/Ethnic Variables: Specific data layers used to assess distributive environmental justice and disproportionate risk. Documentation: A detailed data dictionary defining all variables and attributes. Research Application This dataset is curated for researchers and practitioners working in: Dynamic Social Vulnerability Analysis: Monitoring how vulnerability shifts over time and space. Probabilistic Risk Assessment: Incorporating uncertainty into flood risk modeling. Environmental Justice: Evaluating the distributive impacts of natural hazards on marginalized populations. Emergency Management: Supporting evidence-based, proactive disaster risk reduction strategies in Canada. Technical Details Software Requirements: Data processing was conducted using ArcGIS Pro and Python. Source Attribution: Census data are obtained from open-source Statistics Canada products; Canada flood hazard data are copyrighted by JBA Risk Management; and residential address point data are copyrighted by the DMTI CanMap Suite. Contact Information For inquiries regarding the methodology or data application, please contact the corresponding author: Dr. Liton Chakraborty University of Waterloo: liton.chakraborty@uwaterloo.ca, or York University: litonch@yorku.ca
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,042 | 0,017 |
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 ».