Study on Early Recognition of Loess Landslides Based on Field Investigation
Notice bibliographique
Résumé
For the purpose of agriculture irrigation, river water has been introduced into Heifangtai region from the Yellow River several times a year since 1968, which ensued a steady rise in underground water level by a yearly rate of 0.18 m with a cumulative total rise of up to 20 m over Heifangtai catchment. This ponding effect of water injection triggered landslides (3~5 events per year) at the edge of Heifangtai tableland. Failures of loess slopes have caused high causalities, and inhibited the local economy. This study aims at investigating the distribution patterns of loess landslides and their formation conditions in Heifangtai region, so as to establish approaches to early recognition and prediction of underlying landslides. Landslides in Heifangtai were delineated through visual interpretation of high resolution images obtained by unmanned aerial vehicle photogrammetry. Digital Elevation Model with high resolution 10 cm was acquired by 3D laser scanning technology and close-range photogrammetry. With field investigation, landslide distribution patterns and characteristics, as well as the local geological structure, were examined and two early recognition criteria for landslides are established. The results indicate that an intact slope section between two old landslide sections is the most possible locations for new landslides and areas with rising groundwater level are prone to landslides. For example, in 2015 a landslide occurred at the gaps of a 2014 landslide body. The rising of local groundwater level was induced either by blockage of underground water outlets by landslide deposits and freeze in winter or by heavy rainfall. Early recognition of loess landslides would protect local communities and land resources from landslide hazards.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 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 ».