Rapid Terrain Assessment for Earthquake-Triggered Landslide Susceptibility With High-Resolution DEM and Critical Acceleration
Notice bibliographique
Résumé
Earthquake ground motion often triggers landslides in mountainous areas. A simple, robust method to quickly evaluate the terrain’s susceptibility of specific locations to earthquake-triggered landslides is important for planning field reconnaissance and rescues after earthquakes. Different approaches have been used to estimate coseismic landslide susceptibility using Newmark’s sliding block model. This model requires an estimate of the landslide depth or thickness, which is a difficult parameter to estimate. We illustrate the use of Newmark sliding block’s critical acceleration for a glaciated valley affected by the 2015 Gorkha earthquake in Nepal. The landslide data came from comparing high-resolution pre- and post-earthquake digital elevation models (DEMs) derived from Spot 6/7 images. The areas where changes were detected provided an inventory of all the landslides triggered by the earthquake. The landslide susceptibility was modeled in a GIS environment using as inputs the pre-earthquake terrain and slope angles, the peak ground acceleration from the 2015 Gorkha earthquake, and a geological map. We exploit the depth information for the landslides (obtained by DEM difference) to apply the critical acceleration model. The spatial distribution of the predicted earthquake-triggered landslides matched the actual landslides when the assumed landslide thickness in the model is close to the median value of the actual landslide thickness (2.6 m in this case). The landslide predictions generated a map of landslide locations close to those observed and demonstrated the applicability of critical acceleration for rapidly creating a map of earthquake-triggered landslides.
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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».