2 mars @ 12PM ET : Webinaire de RNCan : Modèles d'apprentissage automatique pour " combler les lacunes " entre les cartes fragmentées des risques d'inondation avec Heather McGrath
Ce webinaire est présenté par NRCAN et hébergé par l'ACRH.
Description du webinaire :
Avec les inondations record qu'a connues la région de la capitale du Canada en 2017 et 2019, il est urgent de mettre à jour et d'harmoniser les cartes des risques d'inondation existantes et de combler les lacunes spatiales entre elles afin d'améliorer les stratégies d'atténuation des inondations. Pour atteindre cet objectif, nous visons à développer une nouvelle approche utilisant la classification par apprentissage automatique (c.-à-d. la forêt aléatoire). Nous avons utilisé les cartes fragmentées des risques d'inondation le long de la rivière des Outaouais pour former un modèle de classification par forêt aléatoire en utilisant une gamme de facteurs de conditionnement des inondations. Nous avons ensuite appliqué cette classification à l'ensemble de la région de la capitale pour combler les lacunes spatiales entre les cartes existantes des risques d'inondation et générer une carte harmonisée à haute résolution (1 m) de la susceptibilité aux inondations centennales. Une fois validée par rapport aux cartes des risques d'inondation centennale récemment produites dans la région de la capitale, nous avons constaté que cette approche de classification par forêt aléatoire produit une carte de susceptibilité aux inondations très précise. Nous soutenons que l'approche de classification par apprentissage automatique est une technique prometteuse pour combler les lacunes spatiales entre les cartes de risques d'inondation existantes et pour créer des cartes de susceptibilité aux inondations harmonisées à haute résolution dans les zones vulnérables aux inondations. Toutefois, il convient d'être prudent dans le choix des facteurs de conditionnement des inondations et dans l'extrapolation de la classification à des zones présentant des caractéristiques similaires à celles des sites d'entraînement. La carte de susceptibilité aux inondations harmonisée et spatialement continue qui en résulte est d'une grande pertinence pour la planification de l'atténuation des inondations dans la région de la capitale. L'approche d'apprentissage automatique et la méthode d'optimisation de la classification des inondations développées dans cette étude constituent également un premier pas vers l'objectif de Ressources naturelles Canada de créer une carte de susceptibilité aux inondations spatialement continue dans le bassin versant de la rivière des Outaouais. Notre approche de modélisation est transférable pour harmoniser les cartes d'inondation et combler les lacunes spatiales dans d'autres régions du monde et contribuera à atténuer les catastrophes dues aux inondations en fournissant des données précises sur les inondations pour la planification urbaine.
L'inscription est gratuite. Vous devez vous inscrire pour recevoir les informations de connexion à l'événement.
[su_button url="https://us02web.zoom.us/webinar/register/WN_KaWIhcdCSL6VpWIrRdE8ow" target="blank" style="flat" background="#0070b2″ size="10″ center="yes" radius="round"]S'inscrire au webinaire[/su_button]
