Automated Detection of Urban Flooding from News
Notice bibliographique
Résumé
Automated Detection of Urban Flooding from News Farzaneh Zarei and Mazdak Nik-Bakht Pages 515-520 (2019 Proceedings of the 36th ISARC, Banff, Canada, ISBN 978-952-69524-0-6, ISSN 2413-5844) Abstract: Although minor overflows do not cause a huge amount of loss; as the number of such overflows increases, the amount of water wasted, and the compound consequent challenges become considerable. Therefore, detecting overflows, investigating their cause root and resolving them in a timely manner are among new needs for infrastructure managers. This paper suggests a new method for detecting distributed water overflows by extracting the flood information (such as the date and location of the incident) from the news. As a case study, we crawled Montreal newspaper and news websites to detect the related news to urban flooding and their detailed information. We trained several classifiers to identify news relevant to flood. Our experiments illustrate that by applying mutual information method for feature selection and employing support vector machine (SVM) architecture as the classifier, relevant news can be detected with an accuracy (F-measure) of above 80%. Such actionable information can help infrastructure managers with a wide range of decisions from repair and maintenance of existing systems, to capacity evaluation for new designs. Keywords: Classification; Montreal newspaper; Urban Flooding; Water overflows DOI: https://doi.org/10.22260/ISARC2019/0069 Download fulltext Download BibTex Download Endnote (RIS) TeX Import to Mendeley
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,009 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».