A random forest machine learning model to detect fluvial hazards
Notice bibliographique
Résumé
Abstract Fluvial hazards of river mobility and flooding are often problematic for road infrastructure and need to be considered in the planning process. The extent of river and road infrastructure networks and their tendency to be close to each other creates a need to be able to identify the most dangerous areas quickly and cost‐effectively. In this study, we propose a novel methodology using random forest (RF) machine learning methods to provide easily interpretable fine‐scale fluvial hazard predictions for large river systems. The tools developed provide predictions for three models: presence of flooding (PFM), presence of mobility (PMM) and type of erosion model (TEM, lateral migration, or incision) at reference points every 100 m along the fluvial network of three watersheds within the province of Quebec, Canada. The RF models use variables focused on river conditions and hydrogeomorphological processes such as confinement, sinuosity, and upstream slope. Training/validation data included field observations, results from hydraulic and erosion models, government infrastructure databases, and hydro‐ geomorphological assessments using 1‐m DEM and satellite/historical imagery. A total of 1807 reference points were classified for flooding, 1542 for mobility, and 847 for the type of erosion out of the 11,452 reference points for the 1145 km of rivers included in the study. These were divided into training (75%) and validation (25%) datasets, with the training dataset used to train supervised RF models. The validation dataset indicated the models were capable of accurately predicting the potential for fluvial hazards to occur, with precision results for the three models ranging from 83% to 94% of points accurately predicted. The results of this study suggest that RF models are a cost‐effective tool to quickly evaluate the potential for fluvial hazards to occur at the watershed scale.
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 ».