Urban flood susceptibility mapping using deep and machine learning algorithms as a management tool: A case study of Sanandaj City, Iran
Notice bibliographique
Résumé
Urban flooding is a complex natural hazard event that incorporates climate change impacts with urban planning and developing challenges, requiring comprehensive strategies for mitigation and adaptation. Flood susceptibility mapping is one of the first steps in an appropriate strategy to reduce economic disruption and damage to urban environments due to flooding. This paper proposes a family of new deep neural networks, namely “deep abstract networks” (DANet) algorithm, which has not been conducted earlier on the susceptibility assessment worldwide, to be trained for producing reliable urban flood susceptibility maps, using Sanandaj City, Iran, as an example. In this procedure, 174 urban and 174 non-urban flood locations are considered in tandem with 19 flood factors prioritized using the reliefF attribute evaluation (RAE) feature selection technique. We determine the goodness-of-fit and prediction accuracy of our models using sensitivity, specificity, accuracy, kappa, root mean square error (RMSE), mean absolute error (MAE), and area under the curve (AUC). Furthermore, the new proposed deep learning algorithm is compared to the five state-of-the-art benchmark learning algorithms, i.e., Convolutional Neural Network (CNN), Support Vector Machine with Linear (SVM-Linear) and with radial basis function (SVM-RBF), Artificial Neural Network-Multi-Layer Perceptron (ANN-MLP), and Logistic Regression (LR). Here, land use, building density, distances to buildings, rainfall, and distances to passages are the five most influential factors in urban flood occurrence in the study area. The DANet algorithm achieves RMSE = 0.535, AUC model = 0.811, and AUC map = 0.840, and thus outperforms the ANN-MLP, SVM-RBF, SVM-Linear, LR and CNN algorithms as an excellent alternative algorithm for managing areas prone to urban flooding with caution.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 ».