Enhancing flood prediction through remote sensing, machine learning, and Google Earth Engine
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
Floods are the most common natural hazard, causing major economic losses and severely affecting people’s lives. Therefore, accurately identifying vulnerable areas is crucial for saving lives and resources, particularly in regions with restricted access and insufficient data. The aim of this study was to automate the identification of flood-prone areas within a data-scarce, mountainous watershed using remote sensing (RS) and machine learning (ML) models. In this study, we integrate the Normalized Difference Flood Index (NDFI), using Google Earth Engine to generate flood inventory, which is considered a crucial step in flood susceptibility mapping. Seventeen determining factors, namely, elevation, slope, aspect, curvature, the Stream Power Index (SPI), the Topographic Wetness Index (TWI), the Topographic Ruggedness Index (TRI), the Topographic Position Index (TPI), distance from roads, distance from rivers, stream density, rainfall, lithology, the Normalized Difference Vegetation Index (NDVI), land use, length slope (LS) factor, and the Convergence Index were used to map the flood vulnerability. This study aimed to assess the predictive performance of gradient boosting, AdaBoost, and random forest. The model performance was evaluated using the area under the curve (AUC). The performance assessment results showed that random forest (RF) achieved the highest accuracy (1), followed by random forest and gradient boosting ensemble (RF-GB) (0.96), gradient boosting (GB) (0.95), and AdaBoost (AdaB) (0.83). Additionally, in this research study, we employed the Shapely Additive Explanations (SHAP) method, to explain machine learning model predictions and determine the most contributing factor in each model. This study introduces a novel approach to generate flood inventory, providing significant insights into flood susceptibility mapping, and offering potential pathways for future research and practical applications. Overall, the research emphasizes the need to integrate urban planning with emergency preparedness to build safer and more resilient communities.
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 | 0,000 | 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 | 0,000 |
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