Methods of Cluster Analysis for Detection of Uniform Displacement Zones of Landslides and Anti-Landslide Structures
Notice bibliographique
Résumé
The primary goal of landslide monitoring is the development and implementation of appropriate prediction models. Such models will allow forecasting of the anticipated landslide movements and failures. The deployment of these models is only possible by the results of geospatial monitoring. However, the measured displacements of the monitoring targets mostly have different values that may deviate a couple of times for different parts of the observed landslide. Therefore, the correct prediction model can be developed for the points with similar displacements, or in other words, for the points with the same displacement velocities. The grouping of points with similar values is known as clustering or zoning task. Having the groups of similar displacements, it is possible to work out the proper prediction model for each group of displacements and detect the probable blunders in the measurements. The paper outlines the results of geospatial monitoring for landslide and anti-landslide structures carried out for small-scale landslide and a system of retaining walls in Kyiv, Ukraine. The efficiency of cluster analysis for uniform displacement zone identification has been studied by the results of geospatial monitoring. The basic principles and ideas of cluster analysis and clustering methods have been given. The different clustering methods have been examined. Each clustering method's efficiency has been estimated by distance determination methods and similarity measures. The quantitative analysis of the considered clustering methods was checked by evaluation analysis. The most reliable results in a line of the study have demonstrated centroid clustering and furthest neighbor clustering. The determined similarity measures for those two methods were almost the same.
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 | 0,002 | 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 | 0,000 |
| 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 ».