整合地理空间智能和机器学习来绘制洪水易感性的地图

科学领域:

• 环境科学 环境科学
• 地理空间分析的研究.
• 机器学习 机器学习

背景情况:

• 绘制洪水易感性的地图对于减少灾害风险至关重要.
• 遥感和机器学习为此提供了强大的工具.

研究的目的:

• 评估五种机器学习算法 (XGBoost,DT,RF,LightGBM,GLM) 用于洪水易感性映射.
• 评估整体投票模型的表现,整合这些算法.

主要方法:

• 利用了来自全球洪水数据库 (GFD) 的洪水范围数据 (2000-2018年).
• 整合了各种辅助空间数据 (气候,地形,水文,土地覆盖).
• 使用AUC值比较单个模型性能 (XGBoost,RF,LightGBM,DT,GLM) 和一个集体投票模型.

主要成果:

• XGBoost (AUC=0.985),RF (AUC=0.984) 和LightGBM (AUC=0.982) 显示出强大的预测性能.
• 整体投票模型实现了最高的准确性 (AUC=0.994),超过了所有单个模型.
• DT (AUC=0.972) 的准确性中等,而GLM (AUC=0.879) 的准确性最低.

结论:

• 机器学习,特别是集体框架,显著提高了洪水易受性测绘的准确性和可靠性.
• 这些先进的技术是有效的洪水风险管理和空间分析的宝贵工具.