Machine Learning and IoT-Based Approaches to Detect and Predict Rainfall-Triggered Landslides
Notice bibliographique
Résumé
Landslides, predominantly triggered by rainfall, pose significant global threats, causing extensive loss of life and severe socio-economic disruptions.Among such calamities, the landslide in Uttarakhand stands as a stark exemplar of the severe repercussions these natural disasters can inflict.This study proposes two sophisticated approaches aimed at the detection and prediction of rainfall-induced landslides.Our initial approach presents a comprehensive analysis of the topographic and hydro-meteorological conditions that catalyzed the catastrophic Kedarnath disaster.This method utilizes an innovative algorithm, validated through machine learning models, in conjunction with an IoT-based application designed to collect critical data necessary for model training and validation.Emphasis is placed on rainfall, identified as a pivotal factor influencing debris flow and lake outbursts during the Kedarnath event.Utilizing the standard deviation of landslide data induced by rainfall from 2013-17, a threshold value was calculated to gauge the severity of such scenarios.The second approach employs a range of machine learning and ensemble learning algorithms to enhance the prediction of rainfall-triggered landslides.These proposed methods were investigated using web-scraped datasets acquired from NASA and IMD portals, with under-sampling and oversampling carried out to mitigate any potential dataset bias.Following extensive exploration and exploitation of diverse learning algorithms, it was inferred that oversampling techniques and the random forest model outperformed alternative models consistently across all performance measures, including Accuracy, Precision, Recall, and F1-Score.
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 | 0,001 |
| 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 | 0,001 |
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 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 ».