Generating Landslide Susceptibility Map using Airborne Lidar Derived Parameters and Geological Mapping Factors for Canada Hill, Miri, Sarawak
Notice bibliographique
Résumé
Abstract Landslide Susceptibility Mapping using GIS software and remote sensing data have been conducted in several location involving geological and geomorphological sensitive at Canada Hill, Miri. The previous researcher has conducted quantitative analyses using different statistical methods with different parameters in the same study area. The mapping of landslides using high-resolution Airborne LiDAR data is a valuable effort. All of this play important role, in the analysis and development of landslide susceptibility map. High-resolution Airborne LiDAR data has the ability to penetrate thick forest cover and produce Digital Terrain Model. Using Digital Terrain Model, the landslide parameter can be generated and extracted. The main objective of this study was to produce landslide susceptibility map using the Probability Frequency Ratio Model method. This study involved the delineating of causative factors from Digital Terrain Model generated by Airborne LiDAR data as well as the data collected from the field. Apart from parameters derived from LiDAR, parameters from filed and site investigation were included into the mapping process. This study was different from the previous studies in the same area in terms of various analytical approaches and samples used. The results of the landslide susceptibility map were verified via randomly selected landslides samples using two different methods. The landslide susceptibility map produced is more refined and is able to predict more effectively compared to the existing map. The landslide susceptibility map produced in this study could be used for land use planning and management by decision makers and land use planners.
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 | 0,000 |
| 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) | 0,000 | 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 ».