Geospatial Modeling Based-Multi-Criteria Decision-Making for Flash Flood Susceptibility Zonation in an Arid Area
Notice bibliographique
Résumé
Identifying areas susceptible to flash flood hazards is essential to mitigating their negative impacts, particularly in arid regions. For example, in southeastern Sinai, the Egyptian government seeks to develop its coastal areas along the Gulf of Aqaba to maximize its national economy while preserving sustainable development standards. The current study aims to map and predict flash flood prone areas utilizing a spatial analytic hierarchy process (AHP) that integrates GIS capabilities, remote sensing datasets, the NASA Giovanni web tool application, and principal component analysis (PCA). Nineteen flash flood triggering parameters were initially considered for developing the susceptibility model by conducting a detailed literature review and using our experiences in the flash food studies. Next, the PCA algorithm was utilized to reduce the subjective nature of the researchers’ judgments in selecting flash flood triggering factors. By reducing the dimensionality of the data, we eliminated ten explanatory variables, and only nine relatively less correlated factors were retained, which prevented the creation of an ill-structured model. Finally, the AHP method was utilized to determine the relative weights of the nine spatial factors based on their significance in triggering flash floods. The resulting weights were as follows: rainfall (RF = 0.310), slope (S = 0.221), drainage density (DD = 0.158), geology (G = 0.107), height above nearest drainage network (HAND = 0.074), landforms (LF = 0.051), Melton ruggedness number (MRN = 0.035), plan curvature (PnC = 0.022), and stream power index (SPI = 0.022). The current research proved that AHP, among the most dependable methods for multi-criteria decision-making (MCDM), can effectively classify the degree of flash flood risk in ungauged arid areas. The study found that 59.2% of the area assessed was at very low and low risk of a flash flood, 21% was at very high and high risk, and 19.8% was at moderate risk. Using the area under the receiver operating characteristic curve (AUC ROC) as a statistical evaluation metric, the GIS-based AHP model developed demonstrated excellent predictive accuracy, achieving a score of 91.6%.
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 ».