Advancing Flood Warning in Rural Watersheds: A Data-Driven Machine Learning Classification Framework
Notice bibliographique
Résumé
Riverine flooding jeopardizes the health and livelihood of communities and environmental systems worldwide and is expected to become more frequent and intense as climate change conditions alter hydrological processes. Most regions worldwide have flood warning systems that incorporate streamflow thresholds to specify action for emergency management and public messaging. With prescribed thresholds, there is an opportunity to apply classification Machine Learning (ML) models for flood message forecasting to aid in flood warning systems. In this study, lagged surface and subsurface data were used to develop a framework for employing classification ML models to predict types of flood warning messages in a rural watershed in Ontario, Canada. Thirty-three classification ML algorithms were implemented on a five-year dataset to predict the flood warning message six hours in advance. Overall classification accuracy ranged from 89.5% to 99.7%, where the top performing models were fine K-Nearest Neighbour (KNN), ensemble subsurface KNN and cubic support vector machines. Feature sensitivity analysis of the top performing models showed that streamflow, hourly flow difference and groundwater elevation were important parameters for flood message prediction. Results from this study highlight that classification ML algorithms can be applied to small agricultural watersheds for predicting flood messages, and the importance of including subsurface parameters in flood forecasting models. The framework developed from this work can be applied to other regions to develop flood forecasting models with interpretable outputs for stakeholders including flood forecasting professionals, government officials, emergency managers and the public.
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 | 0,004 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».