Evaluación de la susceptibilidad a la inundación urbana basada en la optimización de la selección de características...

Área de la Ciencia:

• Ciencias del medio ambiente
• Análisis geoespacial
• Aplicaciones de aprendizaje automático

Sus antecedentes:

• El aprendizaje automático (ML) en los estudios de susceptibilidad a las inundaciones a menudo sufre de mala interpretabilidad y generalización.
• Una desconexión entre la selección de características y el entrenamiento del modelo dificulta la eficacia de los modelos ML existentes.

Objetivo del estudio:

• Desarrollar y validar el marco C2MI-ML para la optimización simultánea de la selección de características y la formación de modelos en la evaluación de la susceptibilidad a las inundaciones.
• Identificar los principales factores naturales y socioeconómicos que influyen en la susceptibilidad a la inundación en Shenzhen, China.

Principales métodos:

• Integración de la prueba Chi-cuadrado, la información mutua y los algoritmos ML dentro del marco C2MI-ML.
• Aplicación de estudio de caso en Shenzhen, China, utilizando diversos conjuntos de datos para capacitación y validación.
• Evaluación del rendimiento utilizando el área bajo la curva (AUC) y el coeficiente Kappa.

Principales resultados:

• El modelo C2MI-LightGBM logró un alto AUC de 0,965; todos los modelos conjuntos superaron un AUC de 0,95.
• La elevación y el Producto Interno Bruto (PIB) fueron identificados como los factores más significativos que influyen en la inundación.
• El análisis espacial reveló una alta susceptibilidad en el oeste de Shenzhen, con distritos específicos y sitios vulnerables como escuelas identificados.

Conclusiones:

• El marco C2MI-ML ofrece una mejor interpretabilidad y generalización para el modelado de la susceptibilidad a las inundaciones.
• Los hallazgos ponen de relieve el papel fundamental de los factores naturales y socioeconómicos en la acumulación de agua en las ciudades.
• El estudio proporciona información útil para la gestión específica del riesgo de inundación y los sistemas de alerta temprana en Shenzhen.