Enhancing flood risk mitigation by advanced data-driven approach
Notice bibliographique
Résumé
Flood events in the Sefidrud River basin have historically caused significant damage to infrastructure, agriculture, and human settlements, highlighting the urgent need for improved flood prediction capabilities. Traditional hydrological models have shown limitations in capturing the complex, non-linear relationships inherent in flood dynamics. This study addresses these challenges by leveraging advanced machine learning techniques to develop more accurate and reliable flood estimation models for the region. The study applied Random Forest (RF), Bagging, SMOreg, Multilayer Perceptron (MLP), and Adaptive Neuro-Fuzzy Inference System (ANFIS) models using historical hydrological data spanning 50 years. The methods involved splitting the data into training (50-70 %) and validation sets, processed using WEKA 3.9 software. The evaluation revealed that the nonlinear ensemble RF model achieved the highest accuracy with a correlation of 0.868 and an root mean squared error (RMSE) of 0.104. Both RF and MLP significantly outperformed the linear SMOreg approach, demonstrating the suitability of modern machine learning techniques. Additionally, the ANFIS model achieved an exceptional R-squared accuracy of 0.99. The findings underscore the potential of data-driven models for accurate flood estimating, providing a valuable benchmark for algorithm selection in flood risk management.
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 | 0,001 |
| 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 | 0,001 |
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 ».