Evolution from the physical process-based approaches to machine learning approaches to predicting urban floods: a literature review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Urban flooding has become a growing concern for many cities due to accelerating urbanisation, changing weather, and drainage system aging. Earlier studies of floods have taken primarily the traditional process-based approach to predicting urban floods, offering limited exploration of recent advancements in AI-driven, real-time, and community-integrated approach, which this paper brings into focus. This paper reviews how flood prediction has improved over the last two decades. It begins by reviewing physical process-based models (PPBMs), which often could not handle the fast changes in cities. New tools like geographic information systems (GIS), light detection and ranging (LiDAR), and satellite images helped improve flood mapping and planning. A big shift came with the use of AI and machine learning. They have made predictions faster, smarter, and more accurately. They allow many types of data, like weather information, sensor data, and social media (crowdsourcing) data. Recently, new tools like Internet of Things devices, deep learning, and hybrid models have brought even more progress. However, there are still challenges. Many cities still do not have the data, sensors, or systems needed to use these tools. Many models work on their own, not linked with city planning or community efforts. Flood solutions must now be more than just technical. Future systems should combine AI, hydrodynamics, GIS, and real-time monitoring, adapt to city change, and include input from communities. Open-source tools, public education, and better planning are also needed to make cities safer and more resilient to costly floods.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 découle