Floodplain Width Prediction in Flood Disaster Management
Notice bibliographique
Résumé
The accurate prediction of floodplain width is vital for sustainable urban development and mitigating flood risks, both crucial for achieving net-zero emissions targets. Urbanization exacerbates flood risks by altering hydrological systems, while climate change intensifies these challenges with unpredictable rainfall patterns and increased river flows. This study explores an innovative approach by integrating the Flexible Group Method of Data Handling (FGMDH) algorithm with 2D numerical hydrodynamic modeling (HEC-RAS) to improve floodplain width prediction. The study area, the Ottawa River, showcases the complex interplay of urban development, climate variability, and river morphology in flood risk dynamics. The FGMDH model, trained on the HEC-RAS dataset, demonstrated superior predictive capabilities, outperforming traditional Group Method of Data Handling (GMDH) models. Performance metrics indicated an R ² of 0.99 and a normalized root mean square error (NRMSE) of 4.68% for training and 4.61% for testing datasets, achieving “Very Good” descriptive performance levels. Compared to GMDH, FGMDH reduced prediction errors significantly, with mean absolute percentage error (MAPE) values of 4.80% (training) and 4.72% (testing). This integrated approach highlights the potential of AI-driven models to address complex flood dynamics under evolving climatic and urbanization patterns.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,003 | 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 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 ».