Coupling HEC-RAS and AI for River Morphodynamics Assessment Under Changing Flow Regimes: Enhancing Disaster Preparedness for the Ottawa River
Notice bibliographique
Résumé
Despite significant advancements in flood forecasting using machine learning (ML) algorithms, recent events have revealed hydrological behaviors deviating from historical model development trends. The record-breaking 2019 flood in the Ottawa River basin, which exceeded the 100-year flood threshold, underscores the escalating impact of climate change on hydrological extremes. These unprecedented events highlight the limitations of traditional ML models, which rely heavily on historical data and often struggle to predict extreme floods that lack representation in past records. This calls for integrating more comprehensive datasets and innovative approaches to enhance model robustness and adaptability to changing climatic conditions. This study introduces the Next-Gen Group Method of Data Handling (Next-Gen GMDH), an innovative ML model leveraging second- and third-order polynomials to address the limitations of traditional ML models in predicting extreme flood events. Using HEC-RAS simulations, a synthetic dataset of river flow discharges was created, covering a wide range of potential future floods with return periods of up to 10,000 years, to enhance the accuracy and generalization of flood predictions under evolving climatic conditions. The Next-Gen GMDH addresses the complexity and limitations of standard GMDH by incorporating non-adjacent connections and optimizing intermediate layers, significantly reducing computational overhead while enhancing performance. The Gen GMDH demonstrated improved stability and tighter clustering of predictions, particularly for extreme flood scenarios. Testing results revealed exceptional predictive accuracy, with Mean Absolute Percentage Error (MAPE) values of 4.72% for channel width, 1.80% for channel depth, and 0.06% for water surface elevation. These results vastly outperformed the standard GMDH, which yielded MAPE values of 25.00%, 8.30%, and 0.11%, respectively. Additionally, computational complexity was reduced by approximately 40%, with a 33.88% decrease in the Akaike Information Criterion (AIC) for channel width and an impressive 581.82% improvement for channel depth. This methodology integrates hydrodynamic modeling with advanced ML, providing a robust framework for accurate flood prediction and adaptive floodplain management in a changing climate.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».