Application of machine learning methodology to detect the potential for fluvial hazards to occur along river networks
Notice bibliographique
Résumé
Fluvial hazards of river mobility and flooding are often problematic for road infrastructure and need to be considered in the planning process. The extent of river and road infrastructure networks and their tendency to be close to each other creates a need to be able to identify the most dangerous areas quickly and cost-effectively. In this study we propose a novel methodology utilizing random forest machine learning methods and hydro geomorphic expertise to provide easily interpretable fine scale fluvial hazard predictions for large fluvial networks. The developed tools provided these predictions at reference points every 100 meters along the fluvial network of three watersheds within the province of Quebec, Canada and used variables focused on river conditions and to proxy hydro geomorphic processes such as sediment transport. Training/validation data was collected in four forms: field data, results from hydraulic and erosion models, government infrastructure databases, and hydro geomorphic evaluations using the 1-m DEM and satellite/historical imagery. First a subset of the reference points was manually classified then divided into training (75%) and validation (25%) datasets. Then the training dataset was used to train supervised random forest models. The validation dataset combined with extensive validation indices indicated the models were capable of accurately predicting the potential for hazards to occur. Metrics are extracted from the model to determine which variables are most important to predict each hazard. Finally, a methodology is proposed for a top-down hazard analysis of extensive fluvial networks to identify the most at-risk infrastructure/communities.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».