Optimizing LSTM networks and feature selection algorithms using GEE data.
- Sélection de caractéristiques par consensus
- Optimisation LSTM avec métaheuristiques
- Application à la FSM
L'article traite de modélisation environnementale, non de neurodéveloppement. La pertinence clinique est donc nulle.
Focus géographique restreint Absence de lien avec des données cliniques Domaine d'application environnemental non neurologique
Contexte : La cartographie de la vulnérabilité aux inondations (FSM) fait face à des défis majeurs liés à l'incertitude dans la sélection des caractéristiques et à la configuration sous-optimale des modèles. Cet article propose un cadre innovant combinant des stratégies de sélection de caractéristiques et des algorithmes d'apprentissage profond optimisés par des métaheuristiques pour améliorer la précision de la FSM dans la province iranienne de Khuzestan, zone à risque d'inondation. Objectif : Développer un modèle de FSM fiable en intégrant une sélection de caractéristiques par consensus et une optimisation des hyperparamètres via des algorithmes avancés. Méthode : 19 facteurs ont été extraits via Google Earth Engine (GEE). Une sélection de caractéristiques a été réalisée par un ensemble de 9 méthodes (Boruta, Elastic-Net, etc.), avec un seuil de consensus fréquentiel pour retenir les variables les plus pertinentes (NDVI et TMMN). Un réseau LSTM a ensuite été optimisé avec 5 algorithmes métaheuristiques (WOA, GWO, etc.). Résultats : Le modèle LSTM-WOA a obtenu les meilleurs résultats (F1-Score : 0,88 ; Kappa de Cohen : 0,75). Les zones à plus haut risque ont été identifiées dans le nord-ouest et le centre de la région. Intérêt clinique : Bien que l'article ne traite pas directement de neurodéveloppement, il illustre l'application de méthodes d'apprentissage automatique à la prévision de risques environnementaux, pouvant inspirer des approches similaires en santé publique ou en gestion des urgences. Limites : L'étude se concentre sur une région spécifique (Khuzestan) et ne mentionne pas d'applications cliniques directes. Les résultats sont liés à des données environnementales, limitant leur portée dans des domaines neurologiques ou psychologiques.
Sélection de caractéristiques par consensus Optimisation LSTM avec métaheuristiques Application à la FSM NDVI et TMMN comme prédicteurs clés
Inspiration méthodologique pour des modèles prédictifs en santé Limites d'application directe en neurodéveloppement
Preprint