Impact of land use and land cover changes on runoff generation in the Kidangoor watershed, Kerala
Notice bibliographique
Résumé
In this study, the impact of change in land use and land cover (LULC) on runoff estimation in the Kidangoor watershed was assessed using the SCS-CN technique. Recent flood-like natural disasters in Kerala are thought to be driven by changes in rainfall patterns and LULC. The accurate calculation of runoff from watersheds is urgently needed. In ArcGIS 10.5, the supervised classification approach is used to classify satellite images from 2000, 2011, 2013, and 2017. Similarly, the Inverse Distance Weighted (IDW) technique is used to produce spatial distribution maps of rainfall for each antecedent moisture condition (AMC). The runoff maps were generated by superimposing the distributed rainfall, LULC, and Hydrological Soil Group (HSG) maps. It was observed that the built-up area expanded by 168% between 2000 and 2017, whereas other classes decreased by 10–23%. However, compared to 2000, both with and without a change in LULC, runoff generation increased by just 31%, and 27% in 2017. The SCS-CN technique for runoff estimation indicates that the change in LULC in the Kidangoor watershed is insignificant. Thus, this study will help land use planners and decision-makers in limiting the potential damage from flooding when it comes to flood management techniques.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».