Enhancing flood susceptibility modelling in Canada: Integrating seasonal meteorological data, feature selection and machine learning approaches
Notice bibliographique
Résumé
Floods are the costliest hazard in Canada in terms of direct infrastructure damage. Flood susceptibility modelling (FSM) identifies flood hazard areas; input features are dependent on the study area and modelling methods, which affect the reliability and accuracy of FS maps. Typical features in FSM are static topographical inputs (digital elevation model, land use, wetness index, height above nearest drainage, etc.). Though meteorological variables have been included in FSM, they are often low temporal resolution (e.g. annual); seasonal meteorological variables are often not included. The 2023 Canadian National FS map was developed using machine learning (ML) ensembles, with features that include historical flood events and 30 years of climate data. This research initiates the update to the existing Canadian FS map by expanding the suite of input features used and comparing the impact of three feature selection methods (partial correlation, partial mutual information, combined neural pathway strength) on three types of ML algorithms: random forest, artificial neural network (ANN) and convoluted neural network (CNN). The expanded set of features includes geospatial indices and flood-specific meteorological data such as spring temperature, precipitation, and vapour pressure. Data from preceding seasons to specific flood events is also included. Preliminary findings from the feature selection methods show that including seasonal flood-specific meteorological data provides important information leading to better model performance. Model performances of the three algorithms were comparable. Random forest with extreme gradient boosting led to the highest model performance (AUC = 0.98, F1 = 0.94), followed by CNN (AUC = 0.0.96, F1 = 0.90). ANN ensemble with leave-one-out-cross-validation resulted in the lowest model performance (AUC = 0.91, F1 = 0.85). Results contribute to the development of an improved national FS map for Canada.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».