Occurrence neighbourhoods and risk assessment from landslide hazard in northern Spain
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This contribution analyzes the problem of selecting the desirable characteristics of a study area when using geo-information for natural risk assessment. Shape, boundary, density of detail of the study area and the distribution of hazardous occurrences can be fundamental in conditioning the estimation of values in a map of expected risk. A study area in the Basque Country of northern Spain is used in which previous studies produced maps of risks for linear infrastructures, land uses and buildings, from thousands of shallow translational landslides. The area is reconsidered here in terms of five telescopic sub-areas corresponding to different neighbourhoods of the landslide occurrences. The results of the corresponding hazard predictions are interpreted via prediction-rate tables and curves obtained from blind tests, i.e., prediction maps obtained using only part of the occurrences cross-validated with the distribution of the remaining occurrences. The subsequent introduction of socioeconomic thematic maps and scenarios enables the derivation of risk maps based on the prediction rates, the hazard maps and the socioeconomic indicator values. The comparison of the risk maps from the different study-area datasets is used to assess their impact on risk values and to provide guidance on how to perform the selection maintaining greater significance. A critical issue is the loss of significance when reducing study area neighbourhoods closer or further away from the hazardous locations. The application is an example of a general purpose spatial predictive modelling processing strategy for which dedicated software has been developed.
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.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle