3D FLOOD-RISK MODELS OF GOVERNMENT INFRASTRUCTURE
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
Simulating and predicting floods and its effects on utilities provides powerful visual representation for decision making on when buildings in the flood zone may be safe for people to occupy. Traditional paper maps and digital maps may not give us the possibility to do a 3D visualization in order to study the detailed effect of a flood situation on utilities. This research explores LiDAR data and the application of 3D modelling in order to provide an analysis of the risk of floods on government buildings and utilities. LiDAR data provides a cheaper, faster and denser multidimensional coverage of features for 3D mapping. LiDAR data was acquired for the city of Fredericton in 2007. This data was processed to generate 3D maps. By employing accurate coordinate conversion and transformations with respect to the geoid, a Digital Terrain Model (DTM) was created. Flood polygons were created for 0.2m intervals in height for the study area. Initial study allows for this interval to be considered, since little difference in flooding behaviour is noticeable below this interval. To further strengthen visual perception, 3D buildings, infrastructure and utilities were modelled for the study area. The DTM and the 3D models of the government buildings, infrastructure and utilities were intersected. The resulting view does not only register a new scenario but also provides a more realistic outlook of the buildings and infrastructure during floods. Finally, a flood scene was produced for each of the forecasted flood levels for visualization via Web interface. 1.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle