Predicting urban flooding susceptibility of public transit systems using machine learning approaches
Notice bibliographique
Résumé
Urban floods often cause the functional disruption of public transit systems, thereby impeding people's mobility and resulting in adverse socio-economic consequences. Climate change, rapid urbanization, and unplanned disaster management further increase trends of urban floods with higher frequency and intensity. This study employs data-driven machine learning (ML) models for predicting the flooding susceptibility of public transit systems in Toronto, ON, Canada. Four ML approaches are employed to evaluate the future risks of public transit systems being inundated by flooding events: 1) Random Forest (RF); 2) eXtreme Gradient Boosting (XGBoost); 3) K Nearest Neighbor (KNN); and 4) Naïve Bayes (NB). We estimate flooding probability based on the relationship between flood inundation events and their contributing factors. Flood-plain maps by Toronto and Region Conservation Authority (TRCA) are used to generate flood and non-flood locations as a basis for training (70% of samples) and validating (30% of samples) ML models. We use the Area-Under Receiver Operating Characteristic (AUROC) curve to evaluate the prediction results of ML models. All four models show a high level of accuracy higher than 95%. Our results demonstrate public transit systems near major river channels are highly susceptible to floods which corroborated with historical flooding incidents in 2013 and 2018. The outcome of the study can be helpful to enhance the resilience of public transit systems in the city of Toronto and can facilitate evidence-based planning and policy to make cities more sustainable, livable, and resilient against flood hazards.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».