Spatial assessment of coastal erosion vulnerability: Natural and anthropogenic factors in Chattogram, Bangladesh
Notice bibliographique
Résumé
Bangladesh's coast, one of the world's most vulnerable, faces recurring natural disasters that cause significant casualties and damage. With rising sea levels and coastal hazards, assessing erosion vulnerability is crucial for protecting people and property. This paper aims to develop a location-specific index for Chattogram by integrating socioeconomic and physical factors to measure erosion vulnerability and support sustainable coastal management. In this study, the Coastal Erosion Vulnerability Index (CEVI) was quantified for the Chattogram coast using geospatial technologies. The CEVI was estimated using fifteen coastal Erosion vulnerability assessment factors which include seven physical and eight socio-economic factors. The data sources include the Alaska Satellite Facility, Geological Survey of Bangladesh, Bangladesh Agriculture Research Council, Esri Global Land Cover Map, WorldPop: Open Spatial Demographic Data and Research, Bangladesh Bureau of Statistics, Bangladesh Tourism Board, and the Local Government Engineering Department, etc. The Principal Component Analysis (PCA) method was used for this study to calculate the weightage of each factor. This study determines the spatial variations of the coastal vulnerability of Bangladesh. Physical vulnerability, driven by proximity to the coastline and soil texture, plays a dominant role, contributing 78.23% to overall vulnerability. Socio-economic vulnerability, influenced by factors like road buffer and literacy rate, contributes 21.77%. The most vulnerable areas encompass Sitakunda, Banshkhali, and Mirsharai upazilas, which require urgent interventions, at the same time as regions like Khulshi and Bayejid Bostami show low vulnerability. The model used is highly accurate, with an AUC of 0.909, offering reliable predictions for disaster preparedness and mitigation efforts, while ROC Curve and Precision Recall Analysis method was used for accuracy assessment. The model's vulnerability scores were validated against 185 ground-truth points sourced from field surveys, publications, and data provided by the Bangladesh Agricultural Research Council. The key findings of this study are very important to understand the impact and role of coastal vulnerability analysis on integrated coastal zone management planning. This study also helps future researchers to analyze coastal vulnerability.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».