Empirical Model Valuation of Urban Agriculture Vulnerability to Flooding in Makurdi, Benue State, Nigeria
Notice bibliographique
Résumé
For this study, geospatial technology was used to assess agricultural lands vulnerable to flooding in Makurdi, Benue State, Nigeria. Six thematic layers of factors influencing flood occurrences in the study area were generated from monthly rainfall, land use/cover, drainage density, soil, digital elevation model and slope. Pairwise comparison of the Analytical Hierarchy Process was used to derive the weights for each factor using expert’s judgements and literature. Weighted overlay model from the spatial analysis tool in the ArcGIS 10.4 environment was used to perform the vulnerability modelling. Expert’s judgement on the relative factors influencing flood in the study area was: rainfall (25%), elevation (22%), slope (20%), drainage density (13%), soil type (8%) and land use/cover (12%). The consistency ratio of the analysis was reasonable: (CR= 0.078). Results from the model demonstrated land vulnerability to urban agricultural flooding in the study area ranging from areas of very highly vulnerable to very low vulnerable areas, with farmlands along the floodplains of River Benue falls within the very highly vulnerable areas. The elements at Risk are; Farmland 537.6 (66.1%), Irrigation Land 40.5 (5.0%) and Built-up Land 125.8 (15.5%).
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».