Novel method for flood-affected area prediction based on non-equigap multivariable grey model
Notice bibliographique
Résumé
Purpose As global climate change intensifies, flood disasters occur frequently, causing severe impacts on agriculture and the socioeconomic environment. Accurate prediction of the affected area of flood disasters is crucial. Considering that historical flood disaster years exhibit characteristics such as non-equidistant intervals, multivariable influences and strong nonlinearity – while existing studies mainly focus on improvements to equidistant grey multivariable models or non-equigap GM (1,1) and MGM (1, m) models – this study proposes a combined forecasting approach integrating the grey disaster model with a non-equigap multivariable grey prediction model (NE-GM (1, N)). Design/methodology/approach First, the grey disaster model is used to predict future disaster years, determining the specific time points for potential flood disasters. Then, by introducing factors such as precipitation and population density, the NE-GM (1, N) model is applied to predict the affected area of flood disasters for those years. This model integrates the principle of giving priority to new information and polynomial expansion techniques, enhancing the response capability to real-time changes and improving prediction accuracy by capturing nonlinear relationships. Findings Verification with data from Hunan and Hubei Provinces shows that this model outperforms traditional methods in terms of prediction accuracy and stability. Originality/value Providing more accurate information for disaster early warning and emergency management, while laying the foundation for further research.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 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 ».