MétaCan
Menu
Back to cohort
Record W7116676620 · doi:10.4000/15erk

Cartographie de la susceptibilité d’inondation, basée sur l’Analyse Hiérarchique des Procédés (AHP) dans les départements de Pikine et de Keur Massar, Sénégal

2025· article· fr· W7116676620 on OpenAlexvenueno aff
Bocar Sy, Malick Mbow, Saliou Aw

Bibliographic record

VenueVertigO · 2025
Typearticle
Languagefr
FieldEnvironmental Science
TopicGroundwater and Watershed Analysis
Canadian institutionsnot available
Fundersnot available
KeywordsWestern europeEarth observation satelliteCorsican

Abstract

fetched live from OpenAlex

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.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.113
Threshold uncertainty score0.224

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0030.003
Science and technology studies0.0010.000
Scholarly communication0.0010.001
Open science0.0000.001
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0030.000

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.022
GPT teacher head0.271
Teacher spread0.249 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations1
Published2025
Admission routes1
Has abstractyes

Explore more

Same venueVertigOSame topicGroundwater and Watershed AnalysisFrench-language works237,207