Flood Spatial Modeling in Northern Iran Using Remote Sensing and GIS: A Comparison between Evidential Belief Functions and Its Ensemble with a Multivariate Logistic Regression Model
Notice bibliographique
Résumé
Floods are some of the most dangerous and most frequent natural disasters occurring in the northern region of Iran. Flooding in this area frequently leads to major urban, financial, anthropogenic, and environmental impacts. Therefore, the development of flood susceptibility maps used to identify flood zones in the catchment is necessary for improved flood management and decision making. The main objective of this study was to evaluate the performance of an Evidential Belief Function (EBF) model, both as an individual model and in combination with Logistic Regression (LR) methods, in preparing flood susceptibility maps for the Haraz Catchment in the Mazandaran Province, Iran. The spatial database created consisted of a flood inventory, altitude, slope angle, plan curvature, Topographic Wetness Index (TWI), Stream Power Index (SPI), distance from river, rainfall, geology, land use, and Normalized Difference Vegetation Index (NDVI) for the region. After obtaining the required information from various sources, 151 of 211 recorded flooding points were used for model training and preparation of the flood susceptibility maps. For validation, the results of the models were compared to the 60 remaining flooding points. The Receiver Operating Characteristic (ROC) curve was drawn, and the Area Under the Curve (AUC) was calculated to obtain the accuracy of the flood susceptibility maps prepared through success rates (using training data) and prediction rates (using validation data). The AUC results indicated that the EBF, EBF from LR, EBF-LR (enter), and EBF-LR (stepwise) success rates were 94.61%, 67.94%, 86.45%, and 56.31%, respectively, and the prediction rates were 94.55%, 66.41%, 83.19%, and 52.98%, respectively. The results showed that the EBF model had the highest accuracy in predicting flood susceptibility within the catchment, in which 15% of the total areas were located in high and very high susceptibility classes, and 62% were located in low and very low susceptibility classes. These results can be used for the planning and management of areas vulnerable to floods in order to prevent flood-induced damage; the results may also be useful for natural disaster assessment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».