| 1. Identificação | ||||
| Tipo de Referência | Artigo em Revista Científica (Journal Article) | |||
| Site | mtc-m21d.sid.inpe.br | |||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||
| Identificador | 8JMKD2USNNW34T/4CQ7ULH | |||
| Repositório | sid.inpe.br/mtc-m21d/2025/01.20.12.07 (acesso restrito) | |||
| Última Atualização | 2025:01.20.12.07.25 (UTC) simone | |||
| Repositório de Metadados | sid.inpe.br/mtc-m21d/2025/01.20.12.07.25 | |||
| Última Atualização dos Metadados | 2025:01.30.20.29.23 (UTC) administrator | |||
| DOI | 10.1016/j.jhydrol.2025.132674 | |||
| ISSN | 0022-1694 | |||
| Chave de Citação | SoaresOzBaRiStSa:2025:MaFrFl | |||
| Título | ML4FF: A machine-learning framework for flash flood forecasting applied to a Brazilian watershed  | |||
| Ano | 2025 | |||
| Mês | May | |||
| Data de Acesso | 01 jun. 2025 | |||
| Tipo de Trabalho | journal article | |||
| Tipo Secundário | PRE PI | |||
| Número de Arquivos | 1 | |||
| Tamanho | 2753 KiB | |||
| 2. Contextualização | ||||
| Autor | 1 Soares, Jaqueline A. J. P. 2 Ozelim, Luan C. S. M. 3 Bacelar, Luiz 4 Ribeiro, Dimas B. 5 Stephany, Stephan 6 Santos, Leonardo Bacelar Lima | |||
| Identificador de Curriculo | 1 2 3 4 5 8JMKD3MGP5W/3C9JJ9D | |||
| Grupo | 1 2 3 4 5 COPDT-CGIP-INPE-MCTI-GOV-BR | |||
| Afiliação | 1 Centro Nacional de Monitoramento e Alertas de Desastres Naturais 2 Instituto Tecnológico de Aeronáutica (ITA) 3 Duke University 4 Instituto Tecnológico de Aeronáutica (ITA) 5 Instituto Nacional de Pesquisas Espaciais (INPE) 6 Centro Nacional de Monitoramento e Alertas de Desastres Naturais | |||
| Endereço de e-Mail do Autor | 1 jaqueline.soares@cemaden.gov.br 2 3 4 5 stephan.stephany@inpe.br 6 leonardo.bacelar@inpe.br | |||
| Revista | Journal of Hydrology | |||
| Volume | 652 | |||
| Páginas | e132674 | |||
| Nota Secundária | A1_INTERDISCIPLINAR A1_GEOGRAFIA A1_GEOCIÊNCIAS A1_ENGENHARIAS_III A1_ENGENHARIAS_I A1_CIÊNCIAS_AMBIENTAIS A1_CIÊNCIAS_AGRÁRIAS_I A2_MATEMÁTICA_/_PROBABILIDADE_E_ESTATÍSTICA A2_BIODIVERSIDADE B1_MEDICINA_I B1_CIÊNCIAS_BIOLÓGICAS_I B2_ASTRONOMIA_/_FÍSICA C_ENGENHARIAS_II | |||
| Histórico (UTC) | 2025-01-20 12:07:25 :: simone -> administrator :: 2025-01-20 12:07:34 :: administrator -> simone :: 2025 2025-01-20 12:08:37 :: simone -> administrator :: 2025 2025-01-30 20:29:23 :: administrator -> simone :: 2025 | |||
| 3. Conteúdo e estrutura | ||||
| É a matriz ou uma cópia? | é a matriz | |||
| Estágio do Conteúdo | concluido | |||
| Transferível | 1 | |||
| Tipo do Conteúdo | External Contribution | |||
| Tipo de Versão | publisher | |||
| Palavras-Chave | Data-oriented model Deep learning Flash flood Flood prediction Machine learning Urban flood risk | |||
| Resumo | Flash flood forecasting is a challenging task for hydrological modelers due to its complexity, which often poses obstacles to physics-based models. Given the fast-dynamic nature of flash floods and the related scarcity of data, achieving accurate predictions would require a demanding amount of experimentation to identify the most suitable model for each specific watershed. In this context, this study introduces a new hydrological forecast framework named Machine Learning for Flash Flood (ML4FF), which provides an integrated machine-learning methodology featuring a wide range of methods for user experimentation. It allows users to input the intended dataset and automatically generate and optimize a set of models consisting of 34 methods of 11 classes, including ensemble and deep learning techniques. The framework evaluates models using a multi-metric approach, yielding both standard performance metrics and processing times. The methodology includes nested cross-validation coupled with an automatic Bayesian optimization procedure for fine-tuning hyperparameters of the methods. An example test case is presented, showing the application of the framework to a critical urban flash flood-prone watershed in Brazil. The dataset comprises water level and rain gauge data from automatic monitoring stations. As a result of the test case, the best-performing methods were Long Short-Term Memory (LSTM), Light Gradient Boosting Machine (LGBMRegressor), and Nu Support Vector Regression (NuSVR), which presented a NashSutcliffe model efficiency coefficient (NSE) above or equal to 0.8, a KlingGupta efficiency (KGE) of approximately 0.9 and an RMSE less than 0.05. The error analysis demonstrated that these models provided the most reliable predictions for this watershed, effectively combining predictive performance and computational efficiency. The ML4FF framework can be applied for flash flood prediction of different watersheds, allowing users to obtain the best model for each case. This framework is also available in a public repository. | |||
| Área | COMP | |||
| Arranjo | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > ML4FF: A machine-learning... | |||
| Conteúdo da Pasta doc | acessar | |||
| Conteúdo da Pasta source | não têm arquivos | |||
| Conteúdo da Pasta agreement |
| |||
| 4. Condições de acesso e uso | ||||
| Idioma | en | |||
| Arquivo Alvo | 1-s2.0-S0022169425000125-main.pdf | |||
| Grupo de Usuários | simone | |||
| Grupo de Leitores | administrator simone | |||
| Visibilidade | shown | |||
| Política de Arquivamento | denypublisher denyfinaldraft24 | |||
| Permissão de Leitura | deny from all and allow from 150.163 | |||
| Permissão de Atualização | não transferida | |||
| 5. Fontes relacionadas | ||||
| Repositório Espelho | urlib.net/www/2021/06.04.03.40.25 | |||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/46KUES5 | |||
| Divulgação | WEBSCI; PORTALCAPES; MGA; COMPENDEX. | |||
| Acervo Hospedeiro | urlib.net/www/2021/06.04.03.40 | |||
| 6. Notas | ||||
| Campos Vazios | alternatejournal archivist callnumber copyholder copyright creatorhistory descriptionlevel e-mailaddress format isbn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress project rightsholder schedulinginformation secondarydate secondarykey session shorttitle sponsor subject tertiarymark tertiarytype url | |||
| 7. Controle da descrição | ||||
| e-Mail (login) | simone | |||
| atualizar | ||||