کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
8894861 | 1629895 | 2018 | 13 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Modeling urban coastal flood severity from crowd-sourced flood reports using Poisson regression and Random Forest
ترجمه فارسی عنوان
مدل سازی شدت سیلاب ساحلی شهری از گزارش سیلابهای جمعیتی با استفاده از رگرسیون پوآسون و جنگل
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
مدل سازی سیل، مدل های مبتنی بر داده ها، هیدرولوژی شهری، سیلاب ساحلی،
ترجمه چکیده
افزایش سطح دریا در حال حاضر موجب سیل بیشتر و شدید ساحلی شده است و این روند به احتمال زیاد ادامه خواهد یافت. پیش بینی سیلاب یک بخش ضروری از ظرفیت شهر ساحلی است که بتواند به این مشکل رو به رو شده و با آن مقابله کند. با این حال، سیستم های هیدرولوژیکی شهری مجتمع شغلی همیشه به راحتی به روش های پیش بینی سیل مبتنی بر فیزیکی دست نمی یابند. این مقاله یک روش برای استفاده از یک رویکرد مبتنی بر داده ها برای ارزیابی شدت سیل در یک محدوده ساحلی شهری را با استفاده از داده های جمع آوری شده، یک منبع داده غیر سنتی اما رو به رشد همراه با داده های مشاهدات محیطی ارائه می دهد. دو مدل داده محور، رگرسیون پوآسون و رگرسیون جنگل تصادفی برای پیش بینی تعداد گزارش های سیل در هر رخداد طوفان به عنوان یک پروکسی برای شدت سیل، با توجه به داده های گسترده زیست محیطی (یعنی بارندگی، جزر و مد، سطح آب زیرزمینی و شرایط باد ) به عنوان ورودی. این روش با استفاده از داده های نورفولک، ویرجینیا، ایالات متحده آمریکا از سپتامبر 2010 تا اکتبر 2016، نشان داده شده است. گزارشات مربوط به سیلاب های خیابانی تحت کنترل با کیفیت، از 1 تا 159 در هر رویداد طوفان برای 45 رویداد طوفان، برای آموزش و ارزیابی مدل ها استفاده می شود. جنگل تصادفی در پیش بینی تعداد گزارش های سیلاب بهتر از رگرسیون پوآسون بود و دارای نرخ منفی کاذب کمتر بود. از مدل جنگل تصادفی، مجموع بارندگی تجمعی بسیار مهم ترین ورودی متغیر در پیش بینی شدت سیل، و پس از آن کم آبی و کم آبی پایین است. این روش ها به عنوان اولین گام در جهت استفاده از روش های داده شده برای پیش بینی سیلاب های ساحلی فضایی و زمانی، دقیق است.
موضوعات مرتبط
مهندسی و علوم پایه
علوم زمین و سیارات
فرآیندهای سطح زمین
چکیده انگلیسی
Sea level rise has already caused more frequent and severe coastal flooding and this trend will likely continue. Flood prediction is an essential part of a coastal city's capacity to adapt to and mitigate this growing problem. Complex coastal urban hydrological systems however, do not always lend themselves easily to physically-based flood prediction approaches. This paper presents a method for using a data-driven approach to estimate flood severity in an urban coastal setting using crowd-sourced data, a non-traditional but growing data source, along with environmental observation data. Two data-driven models, Poisson regression and Random Forest regression, are trained to predict the number of flood reports per storm event as a proxy for flood severity, given extensive environmental data (i.e., rainfall, tide, groundwater table level, and wind conditions) as input. The method is demonstrated using data from Norfolk, Virginia USA from September 2010 to October 2016. Quality-controlled, crowd-sourced street flooding reports ranging from 1 to 159 per storm event for 45 storm events are used to train and evaluate the models. Random Forest performed better than Poisson regression at predicting the number of flood reports and had a lower false negative rate. From the Random Forest model, total cumulative rainfall was by far the most dominant input variable in predicting flood severity, followed by low tide and lower low tide. These methods serve as a first step toward using data-driven methods for spatially and temporally detailed coastal urban flood prediction.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Hydrology - Volume 559, April 2018, Pages 43-55
Journal: Journal of Hydrology - Volume 559, April 2018, Pages 43-55
نویسندگان
J.M. Sadler, J.L. Goodall, M.M. Morsy, K. Spencer,