Flood susceptibility mapping using support vector regression and <scp>hyper‐parameter</scp> optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Floods are both complex and destructive, and in most parts of the world cause injury, death, loss of agricultural land, and social disruption. Flood susceptibility (FS) maps are used by land‐use managers and land owners to identify areas that are at risk from flooding and to plan accordingly. This study uses machine learning ensembles to produce objective and reliable FS maps for the Haraz watershed in northern Iran. Specifically, we test the ability of the support vector regression (SVR), together with linear kernel (LK), base classifier (BC), and hyper‐parameter optimization (HPO), to identify flood‐prone areas in this watershed. We prepared a map of 201 past floods to predict future floods. Of the 201 flood events, 151 (75%) were used for modeling and 50 (25%) were used for validation. Based on the relevant literature and our field survey of the study area, 10 effective factors were selected and prepared for flood zoning. The results show that three of the 10 factors are most important for predicting flood‐sensitive areas, specifically and in order of importance, slope, distance to the river and river. Additionally, the SVR‐HPO model, with area under the curve values of 0.986 and 0.951 for the training and testing phases, outperformed the other two tested models.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle