Prediction rate functions of landslide susceptibility applied in the Iberian Peninsula
Notice bibliographique
Résumé
Prediction rate functions of landslide susceptibility applied in the Iberian Peninsula A. G. Fabbri1, F. F. Chung2, P. Napolitano3, J. Remondo4 & J. L. Zezere5 1ITC, 7500 AA Enschede, & SPINlab, Vrije Universiteit, I081 HV Amsterdam, The Netherlands 2 Geological Survey of Canada, Ottawa KIA OE8, Canada 3ACTA, Via D. Fontana 40, 80128 Napoli, Italy 4DICITIMAC, Universidad de Cantabria, 39005 Santander, Spain 5 Centro de Estudos Geograficos, Universidade de Lisboa, I699 Lisboa, Portugal Abstract The prediction models of landslide susceptibility that we have developed, generate not only predicted hazard maps but also prediction-rate curves, which allow us to estimate the probabilities of the occurrences of future landslides from the hazard maps. For a risk-analysis estimating the \“economic” values of the population, properties, economic activities, etc., the estimates of the probabilities are absolutely critical statistics. To use the hazard maps for risk analysis, we must be able to estimate the probability of occurrence of a future landslide at each hazard level in the maps. Without the estimates of such probabilities, the hazard maps can provide only indicators of landslide hazard, but they cannot be directly useful for a decision process. With those probabilities, however, decision makers can quantitatively assess the economic sterilization due to the possible damage under the assumptions of appropriate scenarios. Hence, they can take a learned and informed decision. Predictions are based on \“Favourability Functions” that integrate the spatial relationships between the distribution of trigger zones of specific dynamic types of landslides and the surrounding mapping units and contour intervals. The latter two represent the spatial support to estimate the likelihood of further failures.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».