STRATEGY ON THE LANDSLIDE TYPE ANALYSIS BASED ON THE EXPERT KNOWLEDGE AND THE QUANTITATIVE PREDICTION MODEL
Notice bibliographique
Résumé
This paper discusses the applicability of analysis on the "landslide types" based on the quantitative prediction model for landslide hazard mapping. The quantitative prediction model used in this study construct the relationship between the past landslide occurrences and various kinds of geographical information termed "causal factors". One of the strong demands of the experts working on the landslide is to analyze the "different types of landslides", through the prediction models. Based on a previous study, it was decided to use a fuzzy-set theory model (using algebraic sum operator) for analysis among many integration tools. The analytical procedure was divided into the following two stages: • Comparison of the prediction maps produced by the prediction model, with respect to the various landslide types, such as scarp collapse, rotational landslide, translational landslide, flow and flowslide. • Comparison between the prediction maps and the hazard map made by the geomorphologist. In these analyses, two kinds of difference maps (termed DIF map-A and DIF map-B) were provided. The DIF map-A is made by the two prediction maps with respect to the different landslide types, while the DIF map-B is made by each prediction map and the hazard map produced by the geomorphologist. Based on the experiment for the Alpago region in Italy, it is indicated that the hazardous area affected by the different landslide types could be analyzed through the DIF map-A, furthermore, the DIF map-B taking account of the expert's opinion is effective to find out the hazardous area with respect to the landslide types.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».