Enhancing flood susceptibility mapping in Sana’a, Yemen with random forest and eXtreme gradient boosting algorithms

Floods pose a significant risk to urban areas worldwide, causing extensive damage to infrastructure, property, and human lives. The goal of this work is to improve Sana’a City, Yemen’s flood susceptibility mapping by utilizing two cutting-edge machine learning RF and XGBoost. The RF and XGBoost algo...

Celý popis

Podrobná bibliografie

Vydáno v:	Geocarto international Ročník 40; číslo 1
Hlavní autoři:	Alwathaf, Yahia, Al-Areeq, Ahmed M., Al-Masnay, Yousef A., Al-Aizari, Ali R., Al-Areeq, Nabil M.
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Taylor & Francis Group 31.12.2025
Témata:	eXtreme gradient boosting (XGBoost) Flood susceptibility mapping geographic information systems (GIS) machine learning techniques random Forest algorithm (RF)
ISSN:	1010-6049, 1752-0762
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!