A novel hybrid <scp>GIS</scp>‐based multi‐criteria decision‐making approach for flood susceptibility analysis in large ungauged watersheds
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Characterizing and identification of flood‐susceptible areas can be a solution to mitigate the damages and fatality rate. This study proposes a novel hybrid MCDM framework to assess flood susceptibility in large ungauged watersheds dealing with data scarcity issues. The proposed method examines the interdependencies and causal relationships between various criteria affecting the flooding procedure using the DEcision‐MAking Trial and Evaluation Laboratory (DEMATEL). Moreover, since experts' opinions contain uncertainty, the fuzzy logic is integrated with DEMATEL to overcome this shortcoming. Then, the local weights of criteria were estimated using the Best–Worst Method (BWM) to enhance the pairwise comparisons process. Final criteria weights were obtained using Fuzzy DEMATEL and BWM results in Analytical Network Process (ANP) super‐matrix. Finally, the criteria were distributed spatially using the Complex Proportional Assessment of Alternatives (COPRAS) method based on obtained weights. The proposed method was compared with different approaches such as Fuzzy‐DEMATEL ANP, BWM, and AHP using several statistical measures. We concluded that the novel hybrid proposed method outperformed other approaches based on our results. Moreover, by overlaying classified maps with the historical flood events locations, it was concluded that 85.96% of flooded areas were classified as “high” and “very high.”
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.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle