A Comparison of an Adaptive Neuro-Fuzzy and Frequency Ratio Model to Landslide-Susceptibility Mapping along Forest Road Networks
Notice bibliographique
Résumé
In this research, we used the integration of frequency ratio and adaptive neuro-fuzzy modeling (ANFIS) to predict landslide susceptibility along forest road networks in the Hyrcanian Forest, northern Iran. We began our study by first mapping landslide locations during an extensive field survey. In addition, we then selected landslide-conditioning factors, such as slope, aspect, altitude, rainfall, geology, soil, road age, and slip position from the available Geographic Information System (GIS) data. Following this, we developed Adaptive Neuro-Fuzzy Inference System (ANFIS) models with two different membership functions (MFs) in order to generate landslide susceptibility maps. We applied a frequency ratio model to the landslide susceptibility mapping and compared the results with the probabilistic ANFIS model. Finally, we calculated map accuracy by evaluating receiver-operating characteristics (ROC). The validation results yielded 70.7% accuracy using the triangular MF model, 67.8% accuracy using the Gaussian MF model, and 68.8% accuracy using the frequency ratio model. Our results indicated that the ANFIS is an effective tool for regional landslide susceptibility assessment, and the maps produced in the study area can be used for natural hazard management in the landslide-prone area of the Hyrcanian region.
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 | 0,000 | 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 ».