A New Graph-Based Deep Learning Model to Predict Flooding with Validation on a Case Study on the Humber River
Notice bibliographique
Résumé
Floods are one of the most lethal natural disasters. It is crucial to forecast the timing and evolution of these events and create an advanced warning system to allow for the proper implementation of preventive measures. This work introduced a new graph-based forecasting model, namely, graph neural network sample and aggregate (GNN-SAGE), to estimate river flooding. It then validated the proposed model in the Humber River watershed in Ontario, Canada. Using past precipitation and stage data from reference and neighboring stations, the proposed GNN-SAGE model could estimate the river stage for flooding events up to 24 h ahead, improving its forecasting performance by an average of 18% compared with the persistence model and 9% compared with the graph-based model residual gated graph convolutional network (GNN-ResGated), which were used as baselines. Furthermore, GNN-SAGE generated smaller errors than those reported in the current literature. The Shapley additive explanations (SHAP) revealed that prior data from the reference station was the most significant factor for all prediction intervals, with seasonality and precipitation being more influential for longer-range forecasts. The findings positioned the proposed GNN-SAGE model as a cutting-edge solution for flood forecasting and a valuable resource for devising early flood-warning systems.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 tête enseignante, 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 ».