MétaCan
Menu
← Back to cohort
Record W7112101679

Un modèle nord-américain de risque d'inondations fluviales avec dépendance spatiale à des fins de (ré)assurance dans un climat présent et projeté

2022· other· fr· W7112101679 on OpenAlexaboutno aff

Bibliographic record

VenueArchipelago (University of Quebec in Montreal) · 2022
Typeother
Languagefr
Field
Topic
Canadian institutionsnot available
Fundersnot available
KeywordsWestern europeStatistical analysisPilotage
DOInot available

Abstract

fetched live from OpenAlex

Depuis les quarante dernières années, il a été évalué que le coût des inondations à elles seules a quadruplé selon le Bureau d’assurance du Canada. Avec des coûts en croissance au Canada et l’introduction récente de l’assurance inondation, les actuaires ne manquent certainement pas de défis importants, notamment pour la gestion des risques financiers des inondations dans un contexte de changements climatiques. L’objectif général du mémoire est la création d’un modèle d’inondations spécifique à l’Amérique du Nord qui inclut une dépendance spatiale et qui prend en considération autant le climat actuel que les projections climatiques à des fins d’assurance. Pour ce mémoire, nous avons favorisé l’approche « top-down » pour la simulation d’inondations. Ainsi, le modèle que nous proposons est construit en deux grandes étapes. La première étape est d’entraîner les modèles statistiques d’occurrence et d’impact. La deuxième étape est de simuler un ensemble d’évènements d’inondations qui inclut des sorties de modèles climatiques régionaux. Les inondations sont modélisées et simulées à partir des bassins versants. Ainsi, la dépendance spatiale est induite à l’aide des sorties climatiques, ainsi que par l’écoulement de l’eau à travers les bassins versants. Lorsque nous regardons la capacité du modèle à représenter la dépendance spatiale induite par le climat et la dynamique de l’eau, les variables de précipitations et de températures à l’intérieur des modèles statistiques sont dans l’ensemble significatives (modèles linéaires généralisés) ou très influentes (forêts aléatoire). L’ajout des modèles climatiques pour générer les catalogues d’évènements nous permet non seulement de générer une dépendance explicite, mais aussi d’évaluer les comportements des inondations selon divers scénarios climatiques et socio-économiques. Finalement, les modèles et catalogues générés permettent d’être utilisés dans plusieurs applications actuarielles et de répondre à plusieurs questions de recherche en assurance.

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 imitation

Not 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.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: Simulation or modeling
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.430
Threshold uncertainty score0.855

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0000.001
Meta-epidemiology (narrow)0.0000.001
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0010.001
Science and technology studies0.0010.001
Scholarly communication0.0020.001
Open science0.0010.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0040.000

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.

Opus teacher head0.017
GPT teacher head0.228
Teacher spread0.211 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2022
Admission routes1
Has abstractyes

Explore more

Same venueArchipelago (University of Quebec in Montreal)→French-language works237,207→