The SWADE model for landslide dating in time series of optical satellite imagery
Notice bibliographique
Résumé
Abstract Landslides are destructive natural hazards that cause substantial loss of life and impact on natural and built environments. Landslide frequencies are important inputs for hazard assessments. However, dating landslides in remote areas is often challenging. We propose a novel landslide dating technique based on Segmented WAvelet-DEnoising and stepwise linear fitting (SWADE), using the Landsat archive (1985–2017). SWADE employs the principle that vegetation is often removed by landsliding in vegetated areas, causing a temporal decrease in normalized difference vegetation index (NDVI). The applicability of SWADE and two previously published methods for landslide dating, harmonic modelling and LandTrendr, are evaluated using 66 known landslides in the Buckinghorse River area, northeastern British Columbia, Canada. SWADE identifies sudden changes of NDVI values in the time series and this may result in one or more probable landslide occurrence dates. The most-probable date range identified by SWADE detects 52% of the landslides within a maximum error of 1 year, and 62% of the landslides within a maximum error of 2 years. Comparatively, these numbers increase to 68% and 80% when including the two most-probable landslide date ranges, respectively. Harmonic modelling detects 79% of the landslides with a maximum error of 1 year, and 82% of the landslides with a maximum error of 2 years, but requires expert judgement and a well-developed seasonal vegetation cycle in contrast to SWADE. LandTrendr, originally developed for mapping deforestation, only detects 42% of landslides within a maximum error of 2 years. SWADE provides a promising fully automatic method for landslide dating, which can contribute to constructing landslide frequency-magnitude distributions in remote areas.
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 ».