Derivation of Coastal Erosion Susceptibility and Socio-Economic Vulnerability Models for Sustainable Coastal Management in Senegal
Notice bibliographique
Résumé
Coastal erosion has posed significant challenges to sustainability and socio-economic stability along Senegal’s coastline, leading to substantial infrastructure losses. Using GIS multi-criteria decision analysis (MCDA), two sub-indices were derived for Senegal’s coastal departments: the physical susceptibility (PSI) and the social-economic vulnerability (SVI) to coastal erosion. The integrated coastal erosion vulnerability (ICER) model was derived by their aggregation. A total of 26 criteria were used, 18 for PSI and 8 for SVI. The criteria weighting coefficients of the sub-indices were determined using the analytic hierarchy process (AHP). Validation of the model accuracy was performed using receiver operating characteristic (ROC) curves that were calculated based on a created coastal erosion cadaster and true positive (TP) sites and manually acquired true negative (TN) sites. The accuracy assessment confirmed the consistency of the physical susceptibility model (PSI) and proved that existing coastal erosion sites are within (5) very high susceptibility areas. Through the generated ICER, the coastal departments were divided into areas of (1) very low, (2) low, (3) medium, (4) high and (5) very high vulnerability to coastal erosion. Very high (5) and high (4) classes cover around 31% of the coastal departments, mostly encompassing a narrow coastal strip and low river valleys and mouths. The presented coastal susceptibility and vulnerability maps, with a spatial resolution of 30 m, identified problematic areas in Senegal’s coastal departments and can help decision-makers in the construction of effective coastal zone management and sustainable development.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».