Enhancing flood prediction through remote sensing, machine learning, and Google Earth Engine
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».