Physically Based Dimensionless Features for Pluvial Flood Mapping With Machine Learning
Notice bibliographique
Résumé
Abstract Rapid delineation of flash flood extents is critical to mobilize emergency resources and to manage evacuations, thereby saving lives and property. Machine learning (ML) provides a promising solution for this rapid delineation, offering a computationally efficient alternative to high‐resolution 2D flood models. However, even when trained on diverse geographic regions, ML models typically require retraining to perform well in new locations, and therefore often fail to generalize to never‐before‐seen conditions. To improve ML generalization, we apply Buckingham theorem to derive dimensionless terms across multiple spatial scales. These multiscale terms represent ratios of the relevant physical quantities governing the flooding process. Since the scaling laws of these dimensionless terms encode process similarity across physical scales, these terms enhance ML transferability to unseen locations. This is demonstrated by incorporating them as features in a logistic regression model for delineating flood extents. The features were calculated at different scales by varying accumulation thresholds for stream delineation. The ML flood maps, with an average AUC of 0.89, compared well with the results of 2D hydraulic models that are the basis of the Federal Emergency Management Agency flood hazard maps. The dimensionless features outperformed dimensional features, with some of the largest gains in the AUC (of 20%) occurring when the model was trained in one region and tested in another. Dimensionless and multi‐scale features in ML flood modeling have the potential to improve generalization, enabling mapping in unmapped areas and across a broader spectrum of landscapes, climates, and events.
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 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».