A Country Wide Evaluation of Sweden's Spatial Flood Modeling With Optimized Convolutional Neural Network Algorithms
Notice bibliographique
Résumé
Abstract Flooding is one of the most serious and frequent natural hazards affecting human life, property, and the environment. This study develops and tests a deep learning approach for large‐scale spatial flood modeling, using Convolutional Neural Network (CNN) and optimized versions combined with the Gray Wolf Optimizer (GWO) or the Imperialist Competitive Algorithm (ICA). With Sweden as an application case for nation‐wide flood susceptibility mapping, this modeling approach considers ten geo‐environmental input factors (slope, elevation, aspect, plan curvature, length of slope, topographic wetness index, distance from river, distance from wetland, rainfall, and land use). The GWO and ICA optimization improves model prediction by 12% and 8%, respectively, compared with the standalone CNN model performance. The results show 40% of the land area, 45% of the railroad, and 43% of the road network of Sweden to have high or very high flood susceptibility. They also show the aspect to have the highest input factor impact on flood susceptibility prediction while, for example, rainfall ranks only seven of the total 10 considered geo‐environmental input factors. In general, accurate nation‐wide flood susceptibility prediction is essential for guiding flood management and mitigation efforts. This study's approach to such prediction has emerged as well‐performing and cost‐effective for the case of Sweden, calling for further application and testing in other world regions.
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 | 0,001 | 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) | 0,001 | 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 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 ».