Spatial and temporal dynamics of monsoon-induced landslides in Nepal in 2020
Notice bibliographique
Résumé
In the monsoon season, landslides are major disasters in Nepal, causing loss of life and economic impacts. The landslides triggered in the 2020 monsoon (June – September) in Nepal caused more than 300 fatalities and affected about 800 families. A spatial and temporal database of landslides in this region does not exist, which has hindered an understanding of landslide dynamics and the development of a regional early warning system (EWS). In this study, we prepare a time-stamped (hourly) geo-referenced database of the landslides triggered by the 2020 monsoon in Nepal and investigate their dynamic trends. We track landslides from online news for each day during the monsoon to map their location and time. The database contains 332 mapped landslides, out of which accurate time stamps are available for 126 landslides. The spatial pattern shows a large concentration of landslides in central Nepal (districts of Parbat, Kaski, Myagdi, Baglung, Gulmi, and Syangja). The temporal pattern reveals that landslides in this region occur mostly during late night or early morning. We estimate hourly rainfall thresholds for landslide occurrence from the Integrated Multi-satellitE Retrievals for GPM (IMERG) rainfall product. The database and analysis provide a basis for estimating regional rainfall thresholds for Nepal and the design of an EWS.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».