Application of Remote Sensing and Geographical Information System (GIS) in Flood Vulnerability Mapping: A Scenario of Akure South, Nigeria
Notice bibliographique
Résumé
In flooding, dry land capable of residential, agricultural, and other economic activities is submerged by overflowing water. This causes loss of lives, properties, and destruction of infrastructure. This study applies remote sensing and GIS techniques to produce a flood vulnerability map of the Akure South metropolis. For this study, satellite image data (Landsat 8), location map of Akure South metropolis, SRTM DEM, rainfall data, soil data, and GPS coordinates; acquired during the field survey were integrated to map areas vulnerable to flooding. Using Pairwise Comparison, the various weights of factors constituting flood in the area were acquired. A weighted linear combination and analytical hierarchical process were used to produce the flood hazard and flood vulnerability map. ArcGIS Pro 2.7.3 software was used in spatial and attribute data acquisition, processing, and information presentation. The flood vulnerability results indicated that the very high vulnerability zone occupied 13.9% of the study area, while high vulnerability zone occupied 25.5%. Moderate vulnerability zone occupied 36.8% while low vulnerability zone occupied 23.8% of the study area. The study shows that, remote sensing and GIS can be effectively implemented to analyse and provide results on flood vulnerability required for prompt and effective decision-making on floods.
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 | 0,000 | 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 ».