Coupling HEC-RAS and AI for River Morphodynamics Assessment Under Changing Flow Regimes: Enhancing Disaster Preparedness for the Ottawa River
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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) | 0,000 | 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 découle