利用众包报告与精细交通数据通过机器学习方法预测道路洪涝风险
物理与社会
2021-09-16 v2 机器学习
摘要
本研究的目标是基于地形、水文和时序降水特征，使用机器学习模型预测道路洪涝风险。道路网络洪涝状态的预测性监测在社区灾害减缓、备灾和响应活动中起着至关重要的作用。现有与道路淹没估计相关的研究要么缺乏用于模型验证的观测道路淹没数据，要么主要基于洪涝图进行道路淹没暴露评估。本研究通过使用众包和精细交通数据作为道路淹没指标，并以地形、水文和时序降水特征作为预测变量，解决了这一局限。随后，在 2017 年哈维飓风与 2019 年伊梅尔达热带风暴于德克萨斯州哈里斯县的背景下，测试并训练了两种基于树的机器学习模型（随机森林和 AdaBoost）以预测道路淹没。哈维飓风的结果表明，降水是预测道路淹没易感性的最重要特征，且在这两次风暴案例中，地形特征比水文特征对预测道路淹没更为关键。随机森林和 AdaBoost 模型具有相对较高的 AUC 分数（哈维分别为 0.860 和 0.810，伊梅尔达分别为 0.790 和 0.720），其中随机森林在两次案例中表现更优。随机森林模型对哈维表现出稳定性能，而对伊梅尔达则差异显著。本研究在道路级预测性洪涝风险制图方面推进了新兴的智能洪涝韧性领域。例如，此类模型可帮助受影响社区和应急管理机构在极端天气事件展开时，借助对道路淹没可能性的改进态势感知，制定更好的备灾与响应策略。
引用
@article{arxiv.2108.13265,
title = {Predicting Road Flooding Risk with Machine Learning Approaches Using Crowdsourced Reports and Fine-grained Traffic Data},
author = {Faxi Yuan and William Mobley and Hamed Farahmand and Yuanchang Xu and Russell Blessing and Shangjia Dong and Ali Mostafavi and Samuel D. Brody},
journal= {arXiv preprint arXiv:2108.13265},
year = {2021}
}
备注
17 pages, 7 figures