The Role of Satellite InSAR for Landslide Forecasting: Limitations and Openings
Notice bibliographique
Résumé
The paper explores the potential of the satellite advanced differential synthetic aperture radar interferometry (A-DInSAR) technique for the identification of impending slope failure. The advantages and limitations of satellite InSAR in monitoring pre-failure landslide behaviour are addressed in five different case histories back-analysed using data acquired by different satellite missions: Montescaglioso landslide (2013, Italy), Scillato landslide (2015, Italy), Bingham Canyon Mine landslide (2013, UT, USA), Big Sur landslide (2017, CA, USA) and Xinmo landslide (2017, China). This paper aimed at providing a contribution to improve the knowledge within the subject area of landslide forecasting using monitoring data, in particular exploring the suitability of satellite InSAR for spatial and temporal prediction of large landslides. The study confirmed that satellite InSAR can be successful in the early detection of slopes prone to collapse; its limitations due to phase aliasing and low sampling frequency are also underlined. According to the results, we propose a novel landslide predictability classification discerning five different levels of predictability by satellite InSAR. Finally, the big step forward made for landslide forecasting applications since the beginning of the first SAR systems (ERS and Envisat) is shown, highlighting that future perspectives are encouraging thanks to the expected improvement of upcoming satellite missions that could highly increase the capability to monitor landslides’ pre-failure behaviour.
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 | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».