A New Statistic Approach towards Landslide Hazard Risk Assessment
Notice bibliographique
Résumé
To quantitatively assess the landslide hazard in Khelvachauri, Georgia, the statistic method of hazard index was applied. A spatial database was constructed in Geographic Information System (GIS) including topographic data, geologic maps, land-use, and active landslide events (extracted from the landslide inventory). After that, causal factors of landslides (such as slope, aspect, lithology, geomorphology, land-use and soil depth) were produced to calculate the corresponding weights, and thereby we defined a relevant set of spatial criteria for the latter landslide hazard assessment. On top of that, susceptibility assessment was performed in order to classify the area to low, moderate and high susceptible regions. Results showed that NW aspect, mountain geomorphology, private land-use, laterite loam and clay, slope between 19 to 24 degrees, and soil depth between 10 - 20 cm were found to have the largest contribution to high landslide susceptibility. The high success rate (72.35%) was obtained using area under the curve from the landslide susceptibility map. Meanwhile, effect analysis was carried out to assess the accuracy of the landslide susceptibility, indicating that the factor of slope played the most important role in determining the occurring probability of landslide although it did not deviate as much as other factors. Finally, the vulnerability analyses were carried out by means of the Spatial Multi-Criteria Estimation model, which in turn, led to the risk assessment. It turned out that not so much of the number of buildings (~ 34.13%) was associated with high-risk zone and that governmental and private land-use almost accounted for the same risk (39.9% and 40.9%, respectively).
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».