Aliran sungai di Meurah Dua, Pidie Jaya, Aceh, yang melebar tiga kali lipat pascalongsor dan banjir 2025. Sumber: Dokumentasi pribadi

Latar Belakang

Aceh merupakan gerbang barat Indonesia yang bersisian di hampir segala sisinya dengan Samudera Hindia. Sejak bencana tsunami pada 2004 lalu, nama Aceh semakin sering dibahas dalam perbincangan manajemen risiko bencana. Hingga kini, berbagai plang penunjuk jalur evakuasi tsunami dapat ditemukan dengan mudah di Kota Banda Aceh. Sebuah langkah inovatif dan waspada yang menunjukkan Aceh, khususnya Banda Aceh, benar-benar mengenali dirinya dengan baik. Pada penghujung 2025 lalu, Aceh kembali mendapat perhatian lebih karena mengalami dampak terparah dari bencana banjir dan longsor Sumatera. Sebanyak 18 kabupaten/kota dengan penduduk sekitar 2,6 juta jiwa di Aceh terdampak langsung oleh bencana yang disebabkan Siklon Senyar itu. Total kerusakan dan kerugian yang dialami ditaksir mencapai Rp138,37 triliun. Hingga Januari 2026, Gubernur Aceh tercatat sudah tiga kali memperpanjang status tanggap darurat bencana tersebut. Bencana yang samar-samar membuka kembali memori lama mengenai rapuhnya Aceh terhadap ancaman bencana hidrometeorologis.

Seperti akan dijelaskan kemudian di tulisan ini, kerapuhan Aceh terhadap ancaman bencana hidrometeorologis adalah konsekuensi logis dari bentang alam dan pola pemukiman yang terbentuk karena adaptasi masyarakat Aceh terhadap bentang alamnya. Dalam hal ini, kita perlu menyepakati bahwa tidak banyak yang dapat dilakukan manusia untuk mengubah bentang alam. Oleh karena itu, segala sumber daya yang dimiliki hendaknya diberdayakan pada upaya menghadapi risiko-risiko bencana yang ditimbulkan oleh bentang alam itu.

Peta ketinggian daratan Aceh. Semakin terang, semakin rendah daratan pada wilayah tersebut. Sumber: Olahan penulis dari DEMNAS menggunakan QGIS.

Dalam manajemen risiko bencana, jam-jam pertama pascabencana (0-72 jam) adalah fase paling kritis yang sangat menentukan seberapa parah dampak yang akan dialami oleh daerah tersebut. Semuanya tergantung pada ketersediaan lokasi evakuasi dan kelancaran rantai pasok logistik. Secara intuitif, masyarakat akan mengevakuasikan diri ke fasilitas publik terdekat, misalnya masjid atau meunasah di Aceh. Namun, pertanyaan selanjutnya kerap luput dari perbincangan manajemen risiko bencana: Ke mana pemerintah harus pertama-tama hadir? Di mana mereka harus mengalokasikan pusat siaga bencana?

Publikasi ini mendemonstrasikan arsitektur Spatial Decision Support System (SDSS) sederhana yang dapat digunakan sebagai alat pertimbangan strategis para pembuat kebijakan dalam manajemen risiko bencana, khususnya di Provinsi Aceh. Melalui integrasi pemodelan di QGIS dan kecerdasan buatan (SINI AI Site Selection) GEO MAPID, proyek ini mengkompilasi 27 layer geospasial meliputi pemetaan ancaman (hazard), kerentanan demografi (vulnerability), kapasitas infrastruktur (capacity), aksesibilitas jalur darat (accesibility and mobility), dan batas-batas administrasi kabupaten/kota serta desa/kelurahan di Provinsi Aceh.

Rumusan Masalah

Projek ini dirancang untuk menjawab tiga permasalahan strategis manajemen risiko bencana di Provinsi Aceh.

1. 1.
   Bagaimana sebaran spektrum kerawanan banjir di Aceh?

1. 2.
   Bagaimana fasilitas publik dan konsentrasi kelompok demografi rentan beririsan (intersect) secara spasial dengan spektrum kerawanan banjir?

1. 3.
   Bagaimana pembuat kebijakan (Gubernur, Bappeda, BNPB/BPBD) dapat menetapkan prioritas lokasi pusat siaga bencana hingga ke tingkat identifikasi nama desa?

Metodologi dan Sumber Data

Projek ini terdiri dari 27 layer geospasial yang dibangun melalui dua dapur komputasi utama, yaitu analisis geospasial di QGIS untuk pemodelan deterministik dan cloud-based site selection berbasis AI di GEO MAPID untuk spatial matching.

3.1. Layer 1: Peta Baseline Kerawanan Banjir

Peta ini merupakan hasil perhitungan dan visualisasi kerawanan banjir di Provinsi Aceh dari skala 1 (paling aman) hingga 5 (paling rawan). Pada bagian kanan, terdapat legenda yang memberikan petunjuk warna hijau gelap hingga merah yang masing-masing mengindikasikan indeks kerawanan banjir di daerah yang dibubuhi warna tersebut. Perhitungan indeks kerawanan banjir mengadopsi metode Spatial Multi-Criteria Evaluation (SMCE) berbasis Analytical Hierarchy Process (AHP) dengan menggunakan 5 parameter sebagai berikut.

1. 1.
   Elevasi (ketinggian daratan Aceh). Data yang digunakan adalah Digital Elevation Model (DEM) SRTM/DEMNAS yang bersumber dari Badan Informasi Geospasial (https://tanahair.indonesia.go.id/portal-web/unduh/demnas). Berdasarkan perhitungan pairwise comparison, elevasi diberi bobot 0,416. Daerah dataran rendah mendapatkan bobot kerawanan paling tinggi karena air secara gravitasi berakumulasi di sana.

1. 2.
   Kemiringan / Slope (kemiringan daratan Aceh). Data kemiringan lereng diturunkan dari data elevasi yang telah didapat. Berdasarkan perhitungan pairwise comparison, kemiringan diberi bobot 0,262. Daerah cekungan merupakan zona genangan air maksimal.

1. 3.
   Curah Hujan (curah hujan di Aceh). Data curah hujan didapatkan dari platform sumber terbuka WorldClim (https://www.worldclim.org/data/worldclim21.html). Penulis mengunduh data precipitation (mm) 30s yang merangkum curah hujan rata-rata dunia dari 1970-2000 berdasarkan bulan. Data ini kemudian diolah di QGIS menjadi curah hujan tahunan di Aceh. Berdasarkan perhitungan pairwise comparison, curah hujan diberi bobot 0,161. Daerah dengan curah hujan tinggi memiliki probabilitas pemicu limpasan permukaan yang tinggi pula.

1. 4.
   Jarak ke Sungai (jarak suatu wilayah di Aceh terhadap sungai). Data jaringan sungai didapatkan dari platform sumber terbuka Humanitarian Data Exchange (https://data.humdata.org/dataset/hotosm_idn_waterways). Data tersebut kemudian diolah di QGIS untuk menyisakan jaringan sungai di Provinsi Aceh saja. Kemudian, data berupa vektor tersebut dikonversi menjadi raster untuk memungkinkan perhitungan jarak antara pixel daratan dengan pixel sungai. Berdasarkan perhitungan pairwise comparison, jarak ke sungai diberi bobot 0,099. Daerah yang dekat dengan sungai (sempadan sungai) cenderung lebih rawan terhadap genangan air yang meluap akibat curah hujan ekstrem.

1. 5.
   Tutupan Lahan (tutupan lahan di daratan Aceh). Data tutupan lahan atau vegetasi daratan Aceh didapatkan dari European Space Agency (ESA) melalui mesin Google Earth Engine (GEE), yaitu pemetaan Land Use Land Cover (LULC) 10m untuk wilayah Aceh. Berdasarkan perhitungan pairwise comparison, tutupan lahan diberi bobot 0,062. Area terbangun/kedap air memiliki kontribusi runoff tertinggi.

Seluruh parameter diolah menjadi data bertipe raster, kemudian direklasifikasi (Reclassify by Table) menjadi skala 1-5. Selanjutnya, setiap raster dikalikan dengan bobot masing-masing menggunakan Raster Calculator hingga menghasilkan sebuah peta kerawanan banjir. Peta ini kemudian melalui proses smoothing agar lebih efektif dan efisien. Hasilnya divektorisasi (Raster to Vector) dan diekspor ke dalam format GeoJSON dengan sistem proyeksi EPSG:4326 (WGS 84). File GeoJSON inilah yang di-upload ke GEO MAPID dan diatur visualisasinya dengan klasifikasi warna hijau hingga merah untuk mengindikasikan daerah dengan indeks kerawanan banjir yang Sangat Aman hingga Sangat Rawan (Merah).

Peta hasil olahan ketinggian Aceh dengan klasifikasi skala 1-5

Peta hasil olahan kemiringan Aceh dengan klasifikasi 1-5

Peta hasil olahan curah hujan tahunan Aceh dengan skala 1-5. Semakin gelap, semakin tinggi curah hujannya.

Peta hasil olahan jarak daratan ke sungai Aceh dengan skala 1-5. Bagian putih menunjukkan jaringan sungai di Aceh, bagian hitam menunjukkan daratan. Setiap bagian hitam diukur jaraknya terhadap bagian putih.

Peta hasil olahan tutupan lahan di Aceh dengan skala 1-5.

Peta kerawanan banjir Aceh dalam bentuk raster hasil pengolahan raster calculator menggunakan peta 5 parameter tersebut di atas beserta pembobotannya masing-masing. Semakin cerah warnanya, semakin rawan daerah tersebut terhadap banjir.

3.2. Layer 2: Batas Administrasi Aceh

Peta kerawanan banjir tanpa batas wilayah adalah data buta. Untuk memudahkan identifikasi kerawanan banjir menurut kabupaten/kota di Aceh, penulis menambahkan pula 1 layer batas administrasi Aceh berupa batas 23 kabupaten/kota di Aceh beserta label nama daerahnya. Data ini diturunkan dari peta administrasi kabupaten/kota di Indonesia yang diproduksi oleh Badan Pusat Statistik (BPS) pada 2020 dan dapat diunduh melalui platform sumber terbuka geoBoundaries (https://www.geoboundaries.org/). Peta tersebut kemudian difilter menggunakan QGIS untuk mendapatkan kabupaten/kota di Provinsi Aceh. Data berupa shapefile tersebut kemudian diekspor menjadi GeoJSON dan diunggah ke GEO MAPID. Layer ini ditempatkan di atas peta kerawanan dengan fill opacity 0 (transparan), outline hitam, dan label nama bewarna hitam. Ini bertujuan untuk memberikan orientasi spasial agar pengambil kebijakan dapat mengidentifikasi "Kuning, Merah, Hijau" dari peta baseline kerawanan banjir jatuh di wilayah kabupaten/kota apa dan dengan proporsi seluas apa.

Peta hasil olahan batas administrasi 23 kabupaten/kota di Aceh

Peta kerawanan banjir 23 kabupaten/kota di Provinsi Aceh. Tampak bahwa hanya ada 3 kabupaten dengan indeks kerawanan sangat aman hingga aman, yaitu Kabupaten Aceh Tengah, Bener Meriah, dan Gayo Lues.

3.3. Analisis Keterjangkauan Logistik (Buffer Jalan 1.000 Meter)

Untuk memastikan wilayah calon pusat siaga bencana pemerintah dapat diakses dengan mudah oleh masyarakat dan arus logistik, penulis menambahkan layer lain, yaitu buffer jalan 1.000 meter untuk jaringan jalan primer (jalan nasional dan jalan provinsi) di Aceh. Data jaringan jalan didapatkan dari platform sumber terbuka Humanitarian Data Exchange (https://data.humdata.org/dataset/hotosm_idn_roads). Data jaringan jalan Indonesia tersebut kemudian diolah di QGIS untuk mendapatkan jaringan jalan primer yang terdapat di Provinsi Aceh saja. Layer jalan ini di-reproject ke sistem metrik lokal (UTM Zona 47N). Selanjutnya, dilakukan buffer sejauh 1.000 meter (1 km). Angka ini dianggap ideal karena merupakan jarak tempuh evakuasi jalan kaki maksimal yang bisa ditoleransi oleh kelompok rentan dari jalan utama menuju lokasi pusat siaga bencana. Penulis mengaktifkan opsi Dissolve Result agar ratusan garis tersebut melebur menjadi satu koridor poligon. Layer berisi poligon tersebut dikembalikan ke CRS EPSG:4326 dan diekspor ke GeoJSON, lalu diunggah ke GEO MAPID dengan penyesuaian visualisasi warna seperlunya.

Peta hasil olahan jaringan jalan nasional dan provinsi di Aceh. Garis bewarna merah menunjukkan jaringan jalan nasional dan provinsi.

Peta hasil olahan buffer 1000 meter jalan nasional dan provinsi di Aceh

Peta kerawanan banjir 23 kabupaten/kota di Aceh beserta buffer 1000 meter jalan nasional dan provinsi yang melaluinya.

3.4. Layer 4-26: Pemodelan Kapasitas dan Kebutuhan (SINI Site Selection)

Pada platform GEO MAPID, penulis menggunakan AI SINI Site Selection untuk menghasilkan 23 layer pemetaan point of interest (POI) dan demografi dari masing-masing 23 kabupaten/kota di Aceh. Skema grid yang digunakan adalah heksagon beresolusi 5.000 meter (5 km). Paradigma yang coba diusung melalui penimpaan (overlay) layer Site Selection ini ke atas peta kerawanan banjir adalah untuk menemukan titik-titik lokasi di mana kapasitas dan kebutuhan bertemu. Daerah dengan kerawanan banjir yang tinggi tentu merupakan daerah dengan prioritas pusat siaga bencana yang tinggi. Namun, pemerintah perlu mendapatkan pertimbangan yang benar apakah ada titik-titik spesifik di daerah tersebut dengan kapasitas penunjang yang memadai dan karakteristik demografi yang paling membutuhkan?

Dalam menjalankan site selection, penulis mengatur korelasi panah ke atas (mencari yang paling padat) untuk variabel Jumlah Penduduk, Jumlah KK, Usia Rentan 0-4 Tahun (Balita), dan Usia >65 Tahun (Lansia). Dalam menghadapi fase krisis bencana, pusat siaga bencana harus disiapkan sedekat mungkin dengan populasi terdampak. Logika avoidance (mencari wilayah dengan penduduk sepi) kurang relevan dalam konteks Provinsi Aceh karena persebaran penduduk dan fasilitas penunjang terkonsentrasi di daerah yang secara alamiah memang rawan terhadap banjir. Dalam menentukan point of interest yang perlu disiapkan sebagai pusat siaga bencana oleh pemerintah, fasilitas yang dipilih penulis adalah pendidikan (gedung sekolah), tempat ibadah (masjid, gereja), kesehatan (puskesmas/rumah sakit), pemerintahan (kantor desa, kecamatan), lapangan, dan perdagangan (retail/minimarket). Heksagon dirender dengan skala monokromatik 1-10. Semakin gelap heksagon tersebut, semakin sesuai area tersebut untuk dijadikan titik pusat siaga bencana oleh pemerintah.

Peta kerawanan banjir di Kabupaten Aceh Barat, Aceh. Tampak bahwa area dengan POI dan demografi yang sesuai berada di daerah pesisir Pantai Barat Sumatera (heksagon bewarna gelap) dengan akses yang dilalui buffer jalan nasional dan provinsi.

3.5. Layer 27: Penunjuk Nama Desa/Kelurahan

Sebagai layer puncak, penulis menyiapkan layer administrasi seluruh desa/kelurahan di Provinsi Aceh beserta label nama desanya. Layer ini disiapkan untuk membantu menjawab pertanyaan operasional: "Titik-titik lokasi pada heksagon gelap terletaknya di desa mana saja?" Data administrasi desa didapatkan dari Peta Wilayah Kerja Statistik (Wilkerstat) Badan Pusat Statistik (BPS). Selanjutnya, peta tersebut difilter untuk mengekstraksi desa/kelurahan di Aceh saja. Layer desa/kelurahan tersebut diekspor dalam format GeoJSON dan diimpor ke GEO MAPID dengan penyesuaian fill opacity 0 (transparan), batas tipis, dan label hitam. Layer ini sengaja disembunyikan pada tampilan awal dan dapat dihidupkan untuk memunculkan nama-nama desa/kelurahan saat pengambil kebijakan menginvestigasi heksagon site selection kabupaten/kota secara spesifik.

Peta kerawanan banjir Kabupaten Aceh Barat, Aceh. Daerah heksagon gelap yang dilalui oleh buffer 1000 meter jalan nasional dan provinsi tampak meliputi beberapa desa, di antaranya Suwak Indrapuri, Kampung Pasar Aceh, Kampung Pasar Belakang, Panggono, Ujung Kalak, Padang Seurahet, Rundeng, Ujung Baroh, Kuta Padang, Kampung Darat, Pasi Pinang, Ujung Tanjong, Ujung Drien, Meureubo, Languna, Seuneubok, Kuta Padang, dan Suak Sigadeng.

Pembahasan: Studi Kasus Kabupaten Pidie Jaya

Peta kerawanan banjir Kabupaten Pidie Jaya, Aceh

Berdasarkan peta kerawanan banjir tersebut, tampak bahwa indeks kerawanan banjir di Pidie Jaya cukup beragam dengan daerah dataran tinggi didominasi warna hijau tua dan hijau muda, sementara daerah pesisir didominasi warna oranye dan kuning. Ini menunjukkan bahwa daerah pesisir Pidie Jaya benar-benar rawan banjir berdasarkan karakteristik ketinggian, kemiringan, curah hujan, jarak ke sungai, dan tutupan lahannya. Terbukti pascabencana banjir dan longsor 2025 lalu, penulis menyaksikan sendiri daerah pesisir tersebut luluh lantak oleh rendaman air dan endapan lumpur. Sebagai tambahan informasi, daerah pesisir tersebut adalah pusat konsentrasi penduduk, ekonomi, dan pemerintahan Pidie Jaya, maka tidak heran bahwa hasil site selection berdasarkan pertimbangan POI (kapasitas) dan demografi (kebutuhan), daerah pesisir ini didominasi oleh heksagon dengan warna yang lebih gelap. Namun, pembuat kebijakan tidak bisa serta merta memilih mendirikan pusat siaga bencana di sepanjang pesisir pantai. Untuk skenario strategis, pembuat kebijakan perlu memperhatikan heksagon gelap yang berada dalam buffer 1000 meter jalan nasional dan provinsi. Pada peta di atas, tampak 1 heksagon paling gelap yang berada dalam buffer 1000 meter jalan nasional dan provinsi. Lokasi ini merupakan titik yang paling strategis dijadikan pusat siaga bencana oleh pemerintah. Ketika banjir kemudian terjadi, keputusan pemerintah untuk menyiapkan pusat siaga bencana di lokasi ini merupakan upaya taktis untuk mengurangi dampak bencana karena dipilih berdasarkan indeks kerawanan, aksesibilitas, kapasitas, dan kebutuhan yang paling sesuai.

Peta kerawanan banjir Kabupaten Pidie Jaya, Aceh diperbesar pada heksagon paling gelap dengan memuat nama-nama desa/kelurahan yang diliputinya

Berdasarkan peta di atas, lokasi yang dimaksud pada paragraf sebelumnya adalah Kota Meuredu, Meunasah Tengoh, Geunteng, Manyang Lancok, Manyang Cut, Meunasah Bie, Meunasah Raya, Gampong Blang, Dayah Timu, Bunot, Geuleudah, Meunasah Lhok, Meunasah Daya Usen, Meunasah Mancang, Dayah Kruet, Beuringen, Buangan, Meunasah Jurong, Pulo Lhok, Meunasah Mancang, Pante Beureune, dan Mesjid Tuha. Sedikit trivia, penulis sempat ditugaskan menjadi enumerator pascabencana pada Januari 2026 di 3 desa/keluarahan (gampong) hasil analisis di atas, yaitu Meunasah Bie, Geunteng, dan Beuringen.

Kesimpulan

Kenyataan geografis Aceh memperlihatkan bahwa sebagian besar wilayah di Aceh rawan terhadap banjir. Hanya ada 3 kabupaten yang bisa dinilai aman, yaitu Aceh Tengah, Bener Meriah, dan Gayo Lues. Ketiganya berada di punggung Bukit Barisan dan Taman Nasional Gunung Leuser. Daerah-daerah dengan indeks kerawanan sangat rawan (Merah) menyebar di pesisir barat Aceh. Kawasan ini juga sangat rawan terhadap tsunami karena bertatapan langsung dengan Samudera Hindia.

Berdasarkan hasil site selection SINI AI, hampir seluruh kabupaten/kota di Aceh menghasilkan heksagon gelap di lokasi dengan kerawanan banjir tinggi. Sebagian kecil heksagon ditemukan di daerah kerawanan banjir rendah, tetapi terisolasi dari akses jalan nasional dan provinsi. Ada pula heksagon gelap di lokasi rawan banjir tinggi dan tepat berada dalam buffer 1000 meter jalan nasional dan provinsi. Semua temuan-temuan ini merupakan alat pertimbangan strategis pembuat kebijakan untuk menyiapkan lokasi yang cocok sebagai pusat siaga bencana di daerah tersebut. Pembuat kebijakan dapat menimbang-nimbang untuk memprioritaskan maupun mendispensasikan aspek tertentu.

Pada akhirnya, peta bukan sekadar representasi kartografis dari permukaan bumi, melainkan juga neraca para pembuat kebijakan. Peta tersebut menjadi wadah mereka menimbang dan memutuskan untuk mengupayakan sumber daya demi kesejahteraan orang banyak. Berdasarkan projek Spatial Decision Support System (SDSS) sederhana yang telah dibangun, ada tiga rekomendasi yang dapat dipertimbangkan para pembuat kebijakan di Aceh.

1. 1.
   Bentang alam Aceh adalah sesuatu yang perlu diterima dan dirawat keberadaannya. Bersamaan dengan bentang alam itu, pola adaptasi masyarakat berupa konsentrasi demografi dan fasilitas publik yang ternyata beririsan dengan kawasan rawan banjir perlu diterima. Oleh karena itu, sumber daya perlu difokuskan untuk meminimalkan risiko bencana pada pola adaptasi yang semacam itu, tanpa berusaha untuk merekayasa ulang (reengineering) pola tersebut. Pusat siaga bencana yang perlu dipertimbangkan adalah pusat siaga bencana vertikal. Pembuat kebijakan perlu mengidentifikasi dan memverifikasi bangunan di desa-desa pada heksagon gelap yang telah ditunjukkan oleh peta untuk menyiapkan struktur minimal dua lantai dan spesifikasi tahan bencana hidrometerologis. Selain itu, perlengkapan evakuasi perlu disiagakan di lokasi ini.

1. 2.
   Kabupaten/kota yang berada di daerah kerawanan banjir rendah dan termasuk buffer 1000 meter jalan nasional dan provinsi (golden area), perlu disiapkan sebagai jalur logistik regional. Semua muatan logistik tonase besar dipusatkan ke titik-titik ini terlebih dulu, sebelum disebar ke pusat-pusat siaga bencana.

1. 3.
   Pembuat kebijakan perlu mempertimbangkan peta ini sebagai instrumen audit perencanaan. Lebih bagus lagi jika gagasan yang diusung dalam projek ini diintegrasikan dengan platform milik pemerintah dan dikembangkan secara saintifik.

Referensi

• Abbas, F., & Cai, Z. (2026). Integrating advanced machine learning and AHP for spatio-temporal Glacier Lake Outburst Flooding (GLOF) susceptibility mapping: A case study in Pakistan’s Central Karakoram National Park (CKNP) from 2010 to 2024. Natural Hazards Research.

• Appukuttan, A., Kutty, K. S., Reghunath, R., & P, V. (2026). Flood susceptibility mapping in a tropical river basin of central Kerala, India, using the Analytic Hierarchy Process (AHP) and geospatial techniques. Evolving Earth, 4, 100105.

• Ashfaq, S., Tufail, M., Niaz, A., Muhammad, S., Alzahrani, H., & Tariq, A. (2025). Flood susceptibility assessment and mapping using GIS-based analytical hierarchy process and frequency ratio models. Global and Planetary Change, 251, 104831.

• Bouchikhi, S., Chourak, M., Boushaba, F., & El Baida, M. (2026). Flood susceptibility mapping in urban areas based on analytical hierarchy process: A decade-long systematic literature review. Journal of African Earth Sciences, 233, 105903.

• Frimpong, R. A., Adjei-Yeboah, S., Bohat, N., Sunkari, E. D., Hemans, I. A., & El Afandi, G. (2026). Assessment of flood susceptibility in the Oti Region of Ghana utilizing GIS-based analytical hierarchy process and frequency ratio model. Journal of African Earth Sciences, 240, 106148.

• Ghosh, D., & Das, S. (2026). Modeling flood susceptibility and identifying optimal flood shelters for effective flood management in the Mahananda River Basin. Advances in Space Research, 77, 3258–3280.

• Kundu, A., Roy, S., & Chauhan, A. (2026). Spatiotemporal flood hazard mapping in Kolkata based on Sentinel-1 SAR observations. Advances in Space Research, 77, 5605–5625.

• Lopes, A. C. R., Rezende, O. M., & Miguez, M. G. (2026). Urban flood resilience indexes to assess the pre-disaster stage of the disaster risk management cycle. International Journal of Disaster Risk Reduction, 133, 105859.

• Mihret, T. T., Cherie, F. F., & Zemale, F. A. (2026). Flood susceptibility mapping in the Gumara watershed Upper Blue Nile Basin Ethiopia: AHP and Sentinel-1 SAR analysis. Journal of Hydrology: Regional Studies, 64, 103130.

• Mukomberanwa, N. T., & Madamombe, H. K. (2025). Next-generation flood susceptibility modelling in Chinhoyi, Zimbabwe, integrating remote sensing-derived predictors, Analytical Hierarchy Process (AHP), and advanced spatial machine learning algorithms. Scientific African, 30, e03082.

• Nsangou, D., Kpoumié, A., Mfonka, Z., Ngouh, A. N., Fossi, D. H., Jourdan, C., Mbele, H. Z., Mouncherou, O. F., Vandervaere, J.-P., & Ngoupayou, J. R. N. (2022). Urban flood susceptibility modelling using AHP and GIS approach: case of the Mfoundi watershed at Yaoundé in the South-Cameroon plateau. Scientific African, 15, e01043.

• Riaz, R., Safi, S. I., Saba, Z., & Kabir, I. (2025). Developing community resilience index for flood (CRIF): evidence from extreme flood-prone Jamalpur district of Bangladesh. World Development Perspectives, 40, 100752.

• Riaz, R., & Mohiuddin, M. (2025). Application of GIS-based multi-criteria decision analysis of hydro-geomorphological factors for flash flood susceptibility mapping in Bangladesh. Water Cycle, 6, 13–27.

• Sar, N., Ryngnga, P. K., & De, D. K. (2025). Application of the analytical hierarchy process (AHP) for flood susceptibility mapping using GIS techniques in lower reach of Keleghai River Basin, West Bengal, India. Geohazard Mechanics, 3, 123–135.

• Singha, C., Sahoo, S., Mahtaj, A. B., Moghimi, A., Welzel, M., & Govind, A. (2025). Advancing flood risk assessment: Multitemporal SAR-based flood inventory generation using transfer learning and hybrid fuzzy-AHP-machine learning for flood susceptibility mapping in the Mahananda River Basin. Journal of Environmental Management, 380, 124972.

• Wang, T., Fu, Z., & Luo, M. (2026). Deep learning for decoding climate–urbanization synergies: flood susceptibility forecasting under SSP-RCP scenarios in Beijing, China. Journal of Hydrology, 672, 135364.

• Das, S. (2020). Flood susceptibility mapping of the Western Ghat coastal belt using multi-source geospatial data and analytical hierarchy process (AHP). Remote Sensing Applications: Society and Environment, 20, 100379.