Machine learning-based regional flood frequency framework for climate resilient infrastructure
Notice bibliographique
Résumé
Traditional design flood estimation approaches assume stationary conditions and rely on historical climate data, potentially under- or over-estimating flood risks. This study proposes a regression-based Regional Flood Frequency Analysis (RFFA) framework to assess projected changes in spring flood quantiles under various warming scenarios. The methodology integrates five distinct regression models using Bayesian Model Averaging (BMA) to establish functional relationships between flood quantiles and catchment physio-climatic variables. Focusing on Ontario’s prevalent spring floods, the BMA-RFFA framework demonstrates satisfactory predictive performance across flood quantiles. Future flood quantiles are projected using climatic data from CanRCM4 large ensemble simulations, capturing ensemble spread under a single model and scenario. Results indicate a nearly even distribution of median flood quantile changes from −13 % to +20 % under different warming scenarios, with increases in southern and western regions and decreases in the central region, highlighting spatial variability. Climatic variables such as seasonal water storage and rainfall intensity are identified as key predictors of future flood behavior. Continuous design flood changes over 10-year intervals from 1950 to 2100 were derived using an ensemble pooling approach, capturing the temporal evolution of flood quantiles driven by climate ensemble variability. The study also examined the contributions of Anthropogenic Climate Change (ACC) and Internal Climate Variability (ICV), revealing ICV as dominant in most catchments, while ACC shows stronger influence in western regions. Overall, the proposed framework provides enhanced estimation of future flood quantiles and a robust assessment of their changing behavior under projected climate variability, supporting improved flood risk assessment and infrastructure resilience.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».