Using Statistical and Machine Learning Models for Flood Intensity Projections under Climate Change over the US and Canada

Floods are generally considered as one of the most significant extreme events in terms of casualties and losses. In the past two years alone, flood damages exceeded $10 billion in the U.S. and $4 billion in Canada. These costs are projected to rise tenfold by the end of the century. For this reason, accurate projections are essential to assess climate change's effects on flood frequency and intensity. To this goal, statistical and machine learning (ML) models have emerged as alternative tools bringing both precision and flexibility in comparison with traditional hydrodynamical models. This study integrates four statistical/ML models with bias-corrected outputs from 26 CMIP6 global circulation models to simulate river discharge at 1996 US and Canadian stations. Using two SSP-RCP scenarios for the period 1950-2100, we estimate the average changes in future flood risk, providing critical insights for policymakers, climate science, economics, and financial risk management.

Utilisation de modèles statistiques et d'apprentissage automatique pour les projections de l'intensité des inondations dans le cadre des changements climatiques aux États-Unis et au Canada

Les inondations sont généralement considérées comme l'un des événements extrêmes les plus importants en termes de victimes et de pertes. Rien qu'au cours des deux dernières années, les dommages économiques liés aux inondations ont dépassé les 10 milliards de dollars aux États-Unis et les 4 milliards de dollars au Canada. Ces coûts devraient être multipliés par dix d'ici la fin du siècle. C'est pourquoi des projections précises sont essentielles pour évaluer les effets du changement climatique sur la fréquence et l'intensité des inondations. À cette fin, les modèles statistiques et d'apprentissage machine (ML) sont apparus comme des outils alternatifs apportant à la fois précision et flexibilité par rapport aux modèles hydrodynamiques traditionnels. Cette étude intègre quatre modèles statistiques et ML avec les sorties avec biais corrigé de 26 modèles de circulation globale CMIP6 pour simuler le débit des rivières dans 1996 stations américaines et canadiennes. En utilisant deux scénarios SSP-RCP pour la période 1950-2100, nous estimons les changements moyens dans le risque d'inondation futur, fournissant des informations critiques pour les décideurs politiques, la science du climat, l'économie et la gestion des risques financiers.

Session

Bridging statistical and climate models for actuarial applications

Date and Time