Assessing Flood Risk Potential using Advanced Statistical and Machine Learning Models in the Lower Gangetic Floodplain Region, India
Notice bibliographique
Résumé
The number of natural disasters is increasing in different parts of the world due to the eccentricity of the weather. These natural disasters have made the daily lives of people very miserable. Flood organization in floodplain regions is much higher than in other natural disasters, and due to a lack of proper flood control plans and identification of appropriate flood areas, local people are easily exposed to flood disasters. In India, various parts of the Bhagirathi-Hooghly River basin are prone to heavy rains and loss of carrying capacity due to overflowing of the riverbanks, causing severe floods, which increase the amount of social, financial and socio-economic damage to the people. Due to the need for a specific flood control and planning system, the region experiences flood every year. Through this article and identification of the flood-susceptible regions of the Bhagirathi basin, flood-vulnerable and risk areas have also been identified separately for disaster assessment and flood protection measures. Based on 12 flood inventory conditioning parameters, a susceptibility analysis is performed through bivariate, multivariate, and machine learning models. Parametric vulnerability indices develop by susceptibility, exposure, and resilience on a block-wise small scale to assess socio-economic damage due to floods. Based on that, the spatial distribution of flood risk has been developed by amalgamating the pixel-based flood susceptibility obtained by raster normalization and the flood vulnerability generated by the block-based spatial distribution using the ArcGIS interface. The results obtained from these observations will help policymakers develop holistic, sustainable development through flood prevention and control plans by considering the local environment and climate at the micro-scale of the block level.
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 ».