Flood Susceptibility Assessment (FSA) Using GIS-Based Frequency Ratio (FR) Model in Kota Belud, Sabah, Malaysia
Notice bibliographique
Résumé
The flood is one of the most devastating natural disasters to strike Sabah, Malaysia, especially in the Kota Belud region. The Flood Susceptibility Analysis (FSA) was described using bivariate statistical analysis (the Frequency Ratio model) based on a Geographical Information System (GIS). Field surveys and formal reports from local authorities in the study area created the flood inventory map. The training dataset for statistical analysis consisted of 100 flood locations inundated in 2017, while the validation dataset consisted of 54 flood locations from the 2016 flood report. Eight (8) parameters (elevation, slope curvature, slope angle, topography wetness index, drainage density, drainage proximity, land use, and soil type) were extracted from the database and then converted into a raster format with a cell size of 5m x 5m. Finally, using the natural break classification method, the FSA was generated and classified into five classes: very low, low, moderate, high, and very high susceptibility. The area under the curve (AUC) analysis validated the flood susceptibility model's accuracy. The success rate AUC was calculated to be 0.89, while the prediction rate AUC was 0.82. The flood susceptibility analysis could be used to develop flood mitigation strategies in land use planning.
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 | 0,001 | 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 | 0,001 | 0,000 |
| 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 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 ».