Novel Kolmogorov-Arnold network architectures for accurate flood susceptibility mapping: a comparative study
Notice bibliographique
Résumé
Accurate mapping of flood susceptibility (FSM) is of paramount importance for the effective management and mitigation of this deadly disaster. This study introduces a novel framework based on the Kolmogorov-Arnold Network (KAN) for enhanced FSM, which was applied to two basins in Iran: the Karun and Gorganrud basins. Three KAN-based models were implemented and evaluated. The performance of the Boubaker-KAN, Cheby-KAN, and VietaPell-KAN models was evaluated in comparison to state-of-the-art machine learning techniques, including Random Forest (RF), Light Gradient Boosting Machine (LightGBM), Extreme Gradient Boosting (XGBoost), and Categorical Boosting (CatBoost). All models were trained using a set of conditioning factors related to flooding, including topographical indicators, land cover data, and soil characteristics. The delineation of flood-prone areas was conducted through the identification of historical inundation incidents, as observed in satellite imagery and documented in official reports. The results demonstrate that KAN-based models exhibit superior performance, with an average overall accuracy of 92.5 % across the two basins. Furthermore, the KAN models achieved an average F1 score of 93.90 % and an average Matthews Correlation Coefficient (MCC) of 0.866, demonstrating superior performance in these key metrics in comparison to other techniques. The superior performance of KAN-based models can be attributed to their capacity to capture intricate, non-linear relationships between flood conditioning factors and flood occurrences, as per the Kolmogorov-Arnold representation theorem. A visual comparison of the flood susceptibility maps demonstrates that KAN models effectively capture the subtle topographical and hydrological features that contribute to localized flooding. This research contributes to the advancement of FSM techniques, offering improved tools for flood risk assessment and management. Future work should focus on incorporating additional dynamic variables and exploring hybrid approaches combining KAN architectures with ensemble methods.
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 | 0,000 | 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 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 ».