Le risque tsunami en Martinique : planifier une évacuation préventive en optimisant l’accessibilité de sites refuges
Bibliographic record
Abstract
Le risque de tsunami menace l’ensemble des côtes caribéennes et plus particulièrement les Petites Antilles. Les modèles de propagation disponibles évaluent à seulement quelques minutes les temps d’arrivée sur la Martinique pour les sources sismiques les plus proches. Face à cette menace élevée, la seule parade efficace est l’évacuation préventive et planifiée des populations littorales. Cette mesure de protection nécessite d’établir en amont un système d’alerte régional performant, de modéliser les tsunamis, de préparer les populations et d’établir des plans de secours locaux et régionaux. Afin d’optimiser un plan d’évacuation, il convient d’évaluer les quantités de personnes exposées, les itinéraires d’évacuation possibles, les lieux de mise en sécurité et les délais pour évacuer ces populations menacées. Cet article propose une méthodologie directement destinée aux gestionnaires du risque et qui vise à optimiser et cartographier les sites et les routes d’évacuation à l’aide de calculs d’accessibilité pédestre. Elle repose sur la constitution de bases de données sur les enjeux humains, la construction de graphes routiers, la recherche de sites refuges et le paramétrage de vitesses pédestres. Les itinéraires d’évacuation sont calculés au moyen de l’algorithme de Dijkstra. Une première application donne des délais théoriques de mise en sécurité des populations pour chaque commune de Martinique. Une seconde application débouche sur un plan local d’évacuation pour la commune de Sainte-Anne. Ce nouveau support de prévention a été validé par un comité d’experts et constitue le premier document de ce type en France. Cette méthodologie calibrée et officiellement approuvée est destinée à être déployée sur d’autres territoires et en priorité sur les départements français d’outre-mer.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".