An integrated geographic information system (GIS) and analytical hierarchy process (AHP)-based approach for drone-optimized large-scale flood imaging
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Drones are a valuable tool in flood response, providing high-resolution data and real-time monitoring capabilities. However, their limited range, swath, and battery life make it challenging to cover extensive flood-prone areas. This study addresses these limitations by introducing the drone-optimized flood risk map (DOFRM) framework, integrating drones with geographic information systems (GIS) and multi-criteria decision model to prioritize survey areas. The approach leverages analytical hierarchy process (AHP) to rank high-priority zones for effective drone survey and disaster response. The study evaluated 178 drones to identify an optimal survey grid size of 1.2 × 1.2 km for efficient drone operation. This grid was placed over a flood risk map, which is a combination of various hazard and vulnerability factors, with each factor given a weight based on AHP criteria. DOFRM revealed that 17% of the region was highly susceptible to flooding. This high-risk area was further divided based on the critical regions: urban areas (3%), active channels (5%), roads (6%), rail networks (1%), stream networks (3%), and populated areas (9%). DOFRM was perceived effective and easier to use through technology acceptance model-based stakeholder’s survey. The framework enables prioritized drone deployment during large-scale flood events by optimizing resources for rapid assessment of vulnerable areas. By combining AHP-based prioritization with a GIS-based drone-optimized grid, the approach offers a systematic solution for flood risk mapping and disaster mitigation. This innovative framework enhances targeted flood surveys, enabling drone operations more effective and responsive to surveying needs.
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.
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 | 0,000 | 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 découle