| Titre | Flood mapping using random forest and identifying the essential conditioning factors; a case study in Fredericton, New Brunswick, Canada |
| |
| Auteur | Esfandiari, M; Jabari, S; McGrath, H ; Coleman, D |
| Source | XXIV ISPRS Congress, Commission III; ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences vol. 5, issue 3, 162280, 2020 p. 609-615, https://doi.org/10.5194/isprs-Annals-V-3-2020-609-2020  Accès ouvert |
| Image |  |
| Année | 2020 |
| Séries alt. | Ressources naturelles Canada, Contribution externe 20200362 |
| Éditeur | Copernicus GmbH |
| Réunion | XXIV ISPRS Congress, 2020 edition, Commission III; Nice; FR; août 28 - Septembre 02, 2020 |
| Document | publication en série |
| Lang. | anglais |
| DOI | https://doi.org/10.5194/isprs-Annals-V-3-2020-609-2020 |
| Media | papier; en ligne; numérique |
| Formats | pdf; html |
| Province | Nouveau-Brunswick |
| SNRC | 21G/15; 21J/02 |
| Région | Fredericton |
| Lat/Long OENS | -66.7917 -66.5500 46.0250 45.9000 |
| Sujets | inondations; télédétection; imagerie par satellite; techniques de cartographie; géologie urbaine; eaux de surface; rivières; milieu hydrologique; méthodes statistiques; établissement de modèles;
topographie; l'apprentissage machine; Intelligence artificielle; Système d'information géographique; Protection civile; altitude; géophysique; hydrogéologie; Sciences et technologie; Nature et environnement |
| Illustrations | images satellitaires; tableaux; graphique à barres |
| Programme | Centre canadien de télédétection Centre canadien de télédétection, programmed d'eau |
| Diffusé | 2020 08 03 |
| Résumé | (non publié)
Les inondations sont l'un des risques naturels les plus dommageables pour les zones urbaines dans de nombreux endroits du monde ainsi que dans la ville de Fredericton, au
Nouveau-Brunswick (Canada). Récemment, Fredericton a été inondée deux années de suite, en 2018 et 2019. En raison du comportement complexe de l'eau lorsqu'un fleuve déborde de sa rive, il est difficile d'estimer l'étendue des inondations. La question
devient encore plus difficile lorsque plusieurs facteurs différents affectent le débit de l'eau, comme la texture du sol ou la planéité de la surface, avec des degrés d'intensité variables. Récemment, des algorithmes d'apprentissage automatique et
des méthodes statistiques sont utilisés dans de nombreuses études de recherche pour générer des cartes de vulnérabilité aux inondations en utilisant des facteurs de conditionnement topographiques, hydrologiques et géologiques. L'un des principaux
problèmes auxquels les chercheurs sont confrontés est la complexité et le nombre de caractéristiques requises pour entrer dans un algorithme d'apprentissage machine afin de produire des résultats acceptables. Dans cette recherche, nous avons utilisé
Random Forest pour modéliser l'inondation de 2018 à Fredericton et nous avons analysé l'effet de plusieurs combinaisons de 12 facteurs de conditionnement des inondations différents. Les facteurs ont été testés par rapport à une image satellite
optique Sentinel-2 disponible autour du jour de pointe de l'inondation. La plus grande précision a été obtenue en utilisant seulement 5 facteurs, à savoir l'altitude, la pente, l'aspect, la distance de la rivière et l'utilisation/couverture des
terres, avec une précision globale de 97,57% et un coefficient kappa de 95,14%. |
| Sommaire | (Résumé en langage clair et simple, non publié)
Évaluation des couches de données essentielles pour la cartographie de la vulnérabilité aux inondations, en utilisant Random Forest |
| GEOSCAN ID | 327068 |
|
|