New Ensemble Models for Shallow Landslide Susceptibility Modeling in a Semi-Arid Watershed
Notice bibliographique
Résumé
We prepared a landslide susceptibility map for the Sarkhoon watershed, Chaharmahal-w-bakhtiari, Iran, using novel ensemble artificial intelligence approaches. A classifier of support vector machine (SVM) was employed as a base classifier, and four Meta/ensemble classifiers, including Adaboost (AB), bagging (BA), rotation forest (RF), and random subspace (RS), were used to construct new ensemble models. SVM has been used previously to spatially predict landslides, but not together with its ensembles. We selected 20 conditioning factors and randomly portioned 98 landslide locations into training (70%) and validating (30%) groups. Several statistical metrics, including sensitivity, specificity, accuracy, kappa, root mean square error (RMSE), and area under the receiver operatic characteristic curve (AUC), were used for model comparison and validation. Using the One-R Attribute Evaluation (ORAE) technique, we found that all 20 conditioning factors were significant in identifying landslide locations, but “distance to road” was found to be the most important. The RS (AUC = 0.837) and RF (AUC = 0.834) significantly improved the goodness-of-fit and prediction accuracy of the SVM (AUC = 0.810), whereas the BA (AUC = 0.807) and AB (AUC = 0.779) did not. The random subspace based support vector machine (RSSVM) model is a promising technique for helping to better manage land in landslide-prone areas.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».