Méthode de calibration d'un modèle de simulation de tempêtes côtières
Bibliographic record
Abstract
Le Canada est un pays qui présente la particularité d’avoir la plus grande façade maritime au monde avec 202 080 km de côtes réparties entre l’Océan Atlantique et l’Océan Pacifique (CIA, 2005). 4,7 millions de canadiens, soit 13,5% de la population (StatCAN, 2021), habitent à moins de 100 kilomètres des littoraux. La population connait donc une sensibilité accrue aux risques côtiers et particulièrement aux inondations. Ces dernières sont dues aux ondes de tempêtes, un événement dont la fréquence et l’ampleur sont en constante augmentation à cause du changement climatique. Ces environnements prennent également une place importante dans les dynamiques culturelles et économiques du pays, il est donc important de les prendre en compte et de planifier ce risque. Ce stage prend place à la Commission des Services Régionaux du Sud-Est (CSRSE). Cette institution donne une importance particulière aux aléas d’inondation et d’érosion attribuables aux tempêtes côtières, phénomènes accentués par le changement climatique. Dans cette optique, ce mémoire s’intéresse à un modèle de simulation des ondes de tempêtes et prend place dans la communauté de Pointe-du-Chêne.Ce modèle permet, grâce à un certain nombre de paramètres, de prédire l’emprise et les dégâts attendue pour une inondation. Pour ce faire, l’utilisateur doit fournir au modèle un certain nombre d’entités géographiques, servant à l’atténuation des vagues, et un certain nombre de paramètres, représentant la tempête simulée. Le fonctionnement précis du modèle et de l’onde de tempête sont détaillés dans la partie méthodologie de ce mémoire.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".