FLOOD SUSCEPTIBILITY MODELLING USING GEOSPATIAL-BASED MULTI-CRITERIA DECISION MAKING IN LARGE SCALE AREAS
Notice bibliographique
Résumé
Abstract. Flood is one of the most hazardous natural disasters that cause damages and poses a major threat to human lives and infrastructures worldwide, and its prevention is almost unfeasible. Thus, the detection of flood susceptible areas can be a key to lessen the amount of destruction and mortality. This study aims to implement a framework to identify flood potential zones in an ungauged large-scale area with frequent flood events in recent years. We used two Multi-Criteria Decision Making (MCDM) approaches combined with geospatial analysis, and remote sensing observations for this susceptibility analysis. Nine geomorphological and environmental factors that have an impact on flood behaviour were selected and used for susceptibility modelling. At first, the criteria’s weights were estimated using two MCDM approaches and based on experts’ knowledge. The resultant weights revealed that Flow Accumulation, Topographic wetness index, and Distance to River were the most influential flood susceptibility criteria. After calculating these weights, the criteria’s layers were aggregated through geospatial analysis, which resulted in generating flood susceptibility map. The area under the curve (AUC) and statistical measures such as the Kappa index were used to evaluate the proposed method's efficiency. The validation results illustrate that hybrid FAHP, with AUC= 96.68 and Kappa = 81.36 performed more efficiently than standard AHP, with AUC= 94.53 and Kappa=76.35. Overlaying these maps with the historical flood inventory dataset revealed that 86.43% of flooded areas were categorized as “high” and “very high”. Therefore, the flood susceptibility maps generated through the proposed approach can help the decision-makers and managers allocate the mitigation equipment and facility in data-scarce and ungauged large-scale areas.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».