Combining spatial response features and machine learning classifiers for landslide susceptibility mapping
Notice bibliographique
Résumé
Reliable landslide susceptibility mapping (LSM) is essential for disaster prevention and mitigation. This study develops a deep learning framework that integrates spatial response features and machine learning classifiers (SR-ML). The method has three steps. First, depthwise separable convolution (DSC) extracts spatial features to prevent confusion of multi-factor features. Second, spatial pyramid pooling (SPP) extracts response features to obtain features under different scales. Third, the high-level features are fused into prepared ML classifiers for more effective feature classification. This framework effectively extracts and uses different-dimension features of samples, explores ML classifiers for beneficial feature classification, and breaks through the limitation of fixed input sample sizes. In the Yarlung Zangbo Grand Canyon region, data on 203 landslides and 11 conditioning factors were prepared for availability verification and LSM. The evaluation indicated that the area under the receiver operating characteristic curve (AUC) for the proposed SR and SR-ML achieved 0.920 and 0.910, which were 6.6% and 5.6% higher than the random forest (RF, with the highest AUC in ML group) method, respectively. Furthermore, the framework using 64×64 size inputs had the lowest mean error of 0.01, revealing that samples considering landslide scales could improve performance for LSM.
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 ».