Szerző dc.contributor.author | Sarkar Showmitra Kumar | |
Szerző dc.contributor.author | Ansar Saifullah Bin | |
Szerző dc.contributor.author | Ekram Khondaker Mohammed Mohiuddin | |
Szerző dc.contributor.author | Khan Mehedi Hasan | |
Szerző dc.contributor.author | Talukdar Swapan | |
Szerző dc.contributor.author | Naikoo Mohd Waseem | |
Szerző dc.contributor.author | Islam Abu Reza Towfiqul | |
Szerző dc.contributor.author | Rahman Atiqur | |
Szerző dc.contributor.author | Mosavi Amir | |
Elérhetőség dátuma dc.date.accessioned | 2023-02-15T13:42:27Z | |
Rendelkezésre állás dátuma dc.date.available | 2023-02-15T13:42:27Z | |
Kiadás dc.date.issued | 2022 | |
Issn dc.identifier.issn | 2071-1050 | |
Uri dc.identifier.uri | http://hdl.handle.net/20.500.12944/19927 | |
Kivonat dc.description.abstract | The present study intends to improve the robustness of a flood susceptibility (FS) model with a small number of parameters in data-scarce areas, such as northwest Bangladesh, by employing machine learning-based sensitivity analysis and an analytical hierarchy process (AHP). In this study, the nine most relevant flood elements (such as distance from the river, rainfall, and drainage density) were chosen as flood conditioning variables for modeling. The FS model was produced using AHP technique. We used an empirical and binormal receiver operating characteristic (ROC) curves for validating the models. We performed Sensitivity analyses using a random forest (RF)-based mean Gini decline (MGD), mean decrease accuracy (MDA), and information gain ratio to find out the sensitive flood conditioning variables. After performing sensitivity analysis, the least sensitivity variables were eliminated. We re-ran the model with the rest of the parameters to enhance the model’s performance. Based on previous studies and the AHP weighting approach, the general soil type, rainfall, distance from river/canal (Dr), and land use/land cover (LULC) had higher factor weights of 0.22, 0.21, 0.19, and 0.15, respectively. The FS model without sensitivity and with sensitivity performed well in the present study. According to the RF-based sensitivity and information gain ratio, the most sensitive factors were rainfall, soil type, slope, and elevation, while curvature and drainage density were less sensitive parameters, which were excluded in re-running the FS model with just vital parameters. Using empirical and binormal ROC curves, the new FS model yields higher AUCs of 0.835 and 0.822, respectively. It is discovered that the predicted model’s robustness may be maintained or increased by removing less relevant factors. This study will aid decision-makers in developing flood management plans for the examined region. | |
Nyelv dc.language | en | |
Kulcsszó dc.subject | flood susceptibility | |
Kulcsszó dc.subject | remote sensing | |
Kulcsszó dc.subject | MCDM | |
Kulcsszó dc.subject | machine learning | |
Kulcsszó dc.subject | sensitivity | |
Kulcsszó dc.subject | naturalhazards | |
Kulcsszó dc.subject | artificial intelligence | |
Kulcsszó dc.subject | extreme events | |
Kulcsszó dc.subject | big data | |
Kulcsszó dc.subject | data science | |
Cím dc.title | Developing robust flood susceptibility model with small numbers of parameters in highly fertile regions of northwest Bangladesh for sustainable flood and agriculture management | |
Típus dc.type | folyóiratcikk | |
Változtatás dátuma dc.date.updated | 2023-02-14T12:47:52Z | |
Változat dc.description.version | kiadói | |
Hozzáférés dc.rights.accessRights | nyílt hozzáférésű | |
dc.description.notes | „A publikáció a Nemzeti Közszolgálati Egyetem 2020. évi Tématerületi Kiválóság Program keretében, a Fenntartható biztonság és társadalmi környezet elnevezésű projekt támogatásával valósult meg, az Innovációs és Technológiai Minisztérium Nemzeti Kutatási, Fejlesztési és Innovációs Alapból nyújtott támogatásával, a Nemzeti Kutatási, Fejlesztési és Innovációs Hivatal által kibocsátott támogatói okirat alapján.” Pályázat sorszáma: NKFIH-1273-6/2020 Támogató: NKFIH | |
Doi azonosító dc.identifier.doi | 10.3390/su14073982 | |
Tudományág dc.subject.discipline | Műszaki tudományok | |
Tudományterület dc.subject.sciencebranch | Agrárműszaki tudományok | |
Mtmt azonosító dc.identifier.mtmt | 32764413 | |
Folyóirat dc.identifier.journalTitle | Sustainability | |
Évfolyam dc.identifier.journalVolume | 14 | |
Füzetszám dc.identifier.journalIssueNumber | 7 | |
Terjedelem dc.format.page | 1-23 | |
Wos azonosító dc.identifier.wos | 000781769000001 | |
Scopus azonosító dc.identifier.scopus | 85127818359 | |
Folyóiratcím rövidítve dc.identifier.journalAbbreviatedTitle | SUSTAINABILITY-BASEL | |
Kiadás éve dc.description.issuedate | 2022 | |
Szerző intézménye dc.contributor.department | Információs Társadalom Kutatóintézet | |
Szerző intézménye dc.contributor.department | Informatikai Tudományok Doktori Iskola | |
Szerző intézménye dc.contributor.department | Óbudai Egyetem | |
Szerző intézménye dc.contributor.department | Szoftvertervezés- és Fejlesztés Intézet | |
Szerző intézménye dc.contributor.department | Biztonságtudományi Doktori Iskola | |
Szerző intézménye dc.contributor.department | Felsőbbfokú Tanulmányok Intézete |