Integrating Remote Sensing Indices and Ensemble Machine Learning Model with Independent HEC-RAS 2D Model for Enhanced Flood Prediction and Risk Assessment in the Ottawa River Watershed
Notice bibliographique
Résumé
Floods rank among the most destructive natural hazards worldwide. In Canada’s capital region—Ottawa and its surrounding areas—flood prediction is crucial, especially in flood-prone zones, to improve flood mitigation strategies, given its historical record-breaking events in 2017 and 2019, which resulted in substantial damage to homes and infrastructure in the region. Previous studies in these regions typically did not use remote sensing techniques or advanced methods to enhance flood susceptibility prediction and extent mapping. This study addressed the gap by incorporating 18 flood conditioning factors and integrating high-performance machine learning algorithms such as Random Forest, Support Vector Machines and XGBoost to develop ensemble flood susceptibility models. The HEC-RAS 2D model was used to simulate hydrodynamic variables based on a 100-year flood scenario. The developed ensemble model for flood susceptibility prediction achieved strong performance (Kappa, F1-score, and AUC all above 0.979) and demonstrated model transferability, maintaining high accuracy (Kappa > 0.850, F1-score > 0.920, AUC > 0.990) when applied to other sub-regions. The hydraulic model reveals that flood velocity and depth differ across sub-regions, reaching maximums of 15 m/s and 15 m, respectively. SHAP analysis indicates Elevation, Handmodel, MNDWI, NDWI, and Aspect are key factors influencing floods. These findings and methods help Natural Resources Canada develop tools and policies for effective flood risk reduction in the Ottawa River watershed and similar regions.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 ».