Distribution-Informed Machine Learning for Flash Flood Susceptibility: Integrating Weibull Extreme Value Theory with Interpretable Models
Notice bibliographique
Résumé
Flash floods represent one of the deadliest weather-related hazards globally, yet their prediction remains fundamentally challenged by extreme class imbalance in observational data. This study addresses a critical methodological gap: traditional evaluation metrics, both overall accuracy and Area Under the ROC Curve (AUC), are systematically misleading for rare event prediction. We demonstrate empirically how models achieving 93% accuracy and AUC exceeding 0.98 can simultaneously fail to detect 65% of flood events. Moving beyond conventional approaches, we introduce distribution theory-informed feature generation by integrating Extreme Value Theory through Weibull distribution analysis. We derive 24 features from rigorous statistical characterization of precipitation extremes spanning 16 years (2010-2026) of ERA5-Land reanalysis over Nova Scotia, Canada. Evaluating seven model configurations using Environment and Climate Change Canada operational warning thresholds, we find that adding just six Weibull-derived features to a Random Forest baseline nearly doubles flood detection, with recall increasing from 0.35 to 0.65 and F1-score from 0.48 to 0.74, while maintaining 87% precision. This controlled comparison provides the clearest evidence for the value of distribution-informed features. Across architectures, Support Vector Machines with selected features achieve 93.4% balanced accuracy with perfect recall, while Artificial Neural Networks achieve a balanced operational profile (75% recall, 65% precision). SHAP analysis reveals that physically meaningful interaction features, particularly the intensity-duration product and rain-on-saturated-soil, dominate predictions, with raw precipitation ranking only sixth, confirming that models learn genuine multivariate susceptibility structure rather than recovering classification thresholds. These findings provide essential guidance for practitioners: comprehensive reporting of balanced accuracy, precision, and recall is mandatory for imbalanced datasets where traditional metrics mask operational failure.
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 | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».