Flood Hazard Mapping Using Fuzzy Logic, Analytical Hierarchy Process, and Multi-Source Geospatial Datasets
Notice bibliographique
Résumé
Iran is among the driest countries in the world, where many natural hazards, such as floods, frequently occur. This study introduces a straightforward flood hazard assessment approach using remote sensing datasets and Geographic Information Systems (GIS) environment in an area located in the western part of Iran. Multiple GIS and remote sensing datasets, including Digital Elevation Model (DEM), slope, rainfall, distance from the main rivers, Topographic Wetness Index (TWI), Land Use/Land Cover (LULC) maps, soil type map, Normalized Difference Vegetation Index (NDVI), and erosion rate were initially produced. Then, all datasets were converted into fuzzy values using a linear fuzzy membership function. Subsequently, the Analytical Hierarchy Process (AHP) technique was applied to determine the weight of each dataset, and the relevant weight values were then multiplied to fuzzy values. Finally, all the processed parameters were integrated using a fuzzy analysis to produce the flood hazard map with five classes of susceptible zones. The bi-temporal Sentinel-1 Synthetic Aperture Radar (SAR) images, acquired before and on the day of the flood event, were used to evaluate the accuracy of the produced flood hazard map. The results indicated that 95.16% of the actual flooded areas were classified as very high and high flood hazard classes, demonstrating the high potential of this approach for flood hazard mapping.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».