Spatial and Temporal Trend Analysis of Flood Events Across Africa During the Historical Period
Notice bibliographique
Résumé
Flooding is one of Africa’s most impactful natural disasters, significantly affecting human lives, infrastructure, and economies. This study examines the spatial and temporal distribution of historical flood events across the continent from 1927 to 2020, with a focus on fatalities, affected populations, and economic damage. Data from the Emergency Events Database (EM-DAT), the fifth generation of bias-corrected European Centre for Medium-Range Weather Forecasts Reanalysis (ERA5), and the Climate Hazards Group InfraRed Precipitation with Stations (CHIRPS) observational datasets were used to calculate extreme precipitation indices—Consecutive Wet Days (CWD), annual precipitation on very wet days (R95PTOT), and Annual Maximum Precipitation (AMP). Spatial analysis tools and the Mann–Kendall test were used to assess trends in flood occurrences, while Pearson correlation analysis identified key meteorological drivers across 16 African capital cities for 1981–2019. A flood frequency analysis was conducted using Weibull, Gamma, Lognormal, Gumbel, and Logistic probability distribution models to compute flood return periods for up to 100 years. Results reveal a significant upward trend with a slope above 0.50 floods per year in flood frequency and impact over the period, particularly in regions such as West Africa (Nigeria, Ghana), East Africa (Ethiopia, Kenya, Tanzania), North Africa (Algeria, Morocco), Central Africa (Angola, Democratic Republic of Congo), and Southern Africa (Mozambique, Malawi, South Africa). Positive trends (at 99% significance level with slopes ranging between 0.50 and 0.60 floods per year) were observed in flood-related fatalities, affected populations, and economic damage across Regional Economic Communities (RECs), individual countries, and cities of Africa. The CWD, R95PTOT, and AMP indices emerged as reliable predictors of flood events, while non-stationary return periods exhibited low uncertainties for events within 20 years. These findings underscore the urgency of implementing robust flood disaster management strategies, enhancing flood forecasting systems, and designing resilient infrastructure to mitigate growing flood risks in Africa’s rapidly changing climate.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».