Flood risk management and public safety
Bibliographic record
Abstract
در دهههای اخیر ریسک سیلابها هم در سطح ملی و هم در سطح بینالمللی روند افزایشی داشته است و پیشبینی میشود با افزایش تواتر وقوع سیلابها در اثر تغییر اقلیم، این روند افزایشی در دهههای آینده ادامه یابد. تجارب تندسیلابهای مرگبار کشور که در مرداد ماه 1401 در استهبان و امامزاده داوود، در فروردین 1398 در دروازه قرآن شیراز و در مرداد ماه 1366 در گلابدره–دربند واقع شدند، میتواند شرایط لازم برای جلب افکار عمومی و مسئولان را به بحث راهبردی ایمنی عمومی فراهم کند. درست بعد از سیلابهای مرداد ماه ایران، بارشهای مهیبی با شدت حداکثر 140 میلیمتر بر ساعت در سئول پایتخت کره جنوبی روی داد و با وجود جمعیت 10 میلیون نفر و آبگرفتگی مناطق حساس از جمله ایستگاههای مترو، تعداد تلفات جانی کمتر از 10 درصد تلفات تندسیلابهای مرداد 1401 ایران بود. در ژاپن هم با شرایط هواشناسی، زمینشناسی، توپوگرافی بسیار نامساعدتر از ایران و با تراکم جمعیتی بسیار زیاد در سیلابدشتها، متوسط تلفات سالیانه سیلاب و زمینلغزش (حدود 78 نفر) از تعداد تلفات سیلابهای مرداد ایران کمتر است. با توجه به موارد فوق و آمار تلفات زلزلهها و سیلابهای بزرگ 70 سال اخیر، کاملاً مشخص است که کارهای بسیار زیادی در رابطه با کاهش کاستیهای راهبردهای ایمنی عمومی از جمله مدیریت سیلاب در کشور باید انجام گردد. تجربه تخریب مجموعه متروپل آبادان در سال 1401 به وضوح حساسیت افکار عمومی به کمتوجهی در رابطه با ایمنی عمومی را مشخص ساخت.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.026 | 0.003 |
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".