Urban Flood Mapping Using SPH Method and Precipitation Data Based on LiDAR Data
Notice bibliographique
Résumé
Urban floods are among the most dangerous and devastating natural hazards with extreme and undeniable consequences. With the recent creation of freely accessible, high-accuracy Light Detection and Ranging (LiDAR) data at 1-meter resolution, one approach to mitigate flood risk involves pinpointing inundated areas through detailed flood mapping. Incorporating the precipitation data can improve the realism and accuracy of flood simulation due to its ability to provide invaluable insights regarding the quantity and spatial distribution of rainfall. Urban flooding's intricate flow patterns, influenced by structures and obstacles, challenge traditional Eulerian models. Smoothed Particle Hydrodynamics (SPH), a meshfree approach, offers a possible solution as it mitigates grid generation and mesh distortion issues.This study aims to identify inundated areas by producing flood mapping using the SPH method and LiDAR data. DualSPHysics, an open-source code developed based on the SPH method, is used to map the urban flood. However, SPH models are generally more computationally demanding than grid-based approaches. Therefore, this code is accelerated by high performance computing and modern graphic processing units (GPUs), and its Lagrangian nature facilitates the tracking of flood particles in the simulation.For this research, 1 km2 of LiDAR data from Montpellier City in France, which is highly prone to flooding, is selected. The city geometry serves as a fixed solid boundary condition, and the dynamic boundary treatment is used to simulate fluid particles. In the SPH method, dynamic particles are fixed on the boundaries. As a fluid particle approaches the solid boundary, the density and pressure of the dynamic particles escalate, leading to an augmentation in the magnitude of the repulsive force acting on the fluid particle. Therefore, the fluid particles are maintained within the domain. The interparticle distance in the SPH simulation is also considered 0.5 meters. By comparing the results, specifically the inundation extent and velocity, with another numerical simulation, the application of the SPH method demonstrates success in simulating floods. This comparison affirms the effectiveness of the SPH method in capturing water flow dynamics. Identifying the flooded areas using the available LiDAR data provides decision-makers with essential information to develop plans addressing urban flood challenges and minimizing their 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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».