Cartographie de la susceptibilité d’inondation, basée sur l’Analyse Hiérarchique des Procédés (AHP) dans les départements de Pikine et de Keur Massar, Sénégal
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
L’urbanisation rapide et non maîtrisée dans les zones basses de Pikine et Keur Massar, deux départements du Sénégal, a fortement accru la susceptibilité et l’exposition aux inondations récurrentes. Dans ce contexte, la cartographie de la susceptibilité aux inondations constitue un outil stratégique pour la planification urbaine et la réduction des risques. Cette étude vise à élaborer une carte de susceptibilité aux inondations dans les départements de Pikine et de Keur Massar, au Sénégal, en combinant l’analyse multicritère (AHP) avec des outils de Système d’Information Géographique (SIG). Six facteurs déclencheurs ont été intégrés : la pluviométrie, l’élévation, la pente, la densité de drainage, le type de sol et l’occupation du sol. Les pondérations des critères ont été établies selon la méthode de Saaty, et la carte finale a été obtenue par superposition pondérée. Les données satellitaires Landsat-8 et SRTM, analysées via Google Earth Engine, ont permis de cartographier les zones inondées sur la période 2015-2024, subdivisée en trois sous-périodes. L'indice de différence normalisée modifiée de l’eau (MNDWI) a été utilisé pour détecter les inondations, tandis que l’indice de végétation par différence normalisée (NDVI) a permis d’éliminer les faux positifs liés à la végétation. La carte de fréquence des inondations a ensuite servi à valider la carte de susceptibilité. Les résultats indiquent que 56,60 % de la superficie des départements de Keur Massar et Pikine présentent une susceptibilité élevée à très élevée. En croisant ces données avec les infrastructures, il apparaît que 67,46 % des bâtiments et plus de la moitié du réseau routier et ferroviaire sont fortement inondables. Ces vulnérabilités s’expliquent par une urbanisation non planifiée dans des zones basses, jadis réservées à la rétention d’eau. L’étude souligne l’urgence d’une gestion territoriale intégrée et résiliente.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 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 découle