Advanced GIS-based modeling for flood hazards mapping in urban semi-arid regions: insights from Beni Mellal, Morocco
Notice bibliographique
Résumé
Floods are among the most destructive natural disasters, threatening people, the economy and cultural heritage. In Beni-Mellal, mountainous topography accentuates this risk by promoting the rapid flow of water to low-lying areas, where it accumulates more easily. This study maps the flood risk using three statistical methods: Information Value (IV), Weighting Factor (WF) and Weight of Evidence (WoE). A detailed database was built, combining an inventory of floods and key environmental variables, such as slope, proximity to rivers, land use and the Topographic Humidity Index (TWI). The database was built on pre-processed and standardized Sentinel-2 and Landsat 8 satellite images, as well as geological and soil maps, ensuring full coverage and high-definition resolution of 12.5 m to ensure optimal spatial accuracy. The results show that 4.4%–13.6% of the region is classified as very high risk, 13.8%–31.1% at high risk, and 24.5%–31.2% at moderate risk, with increased vulnerability in the southern areas, where land slope and occupation play a major role. The evaluation of model performance reveals that WoE has the highest accuracy and Kappa coefficient, demonstrating its robustness for flood classification. However, WF scores the best AUC scores (88.23% in training, 86.77% in test), making it the most effective model for prediction. The IV approach, although effective, is in third place. These results provide key information for policymakers and urban planners to improve flood risk management and develop appropriate planning strategies to limit flood impacts and build urban resilience to extreme weather events.
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 | 0,000 | 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».