Comparative Study of Deep Neural Networks for Landslide Susceptibility Assessment: A Case Study of Pyeongchang-gun, South Korea
Notice bibliographique
Résumé
With an increase in local precipitation caused by extreme climatic phenomena, the frequency of landslides and associated damage has also increased. Therefore, compiling fine-scale landslide susceptibility assessment maps based on data from landslide-affected areas is essential. Deep neural network (DNN) and kernel-based DNN(DNNK) models were used to prepare landslide susceptibility maps of the mountainous Pyeongchang-gun region (South Korea) within a geographic information system framework. To map landslide susceptibility, datasets of landslide occurrence areas, topography, land use, forest, and soil were collected and entered into spatial databases, and 18 factors were then selected from the databases and used as model inputs. The training and test datasets consisted of 1600 and 400 landslide locations, respectively. The test accuracies of the DNN and DNNK models were 98.19% and 97.53% and 94.11% and 92.22% for the area under the receiver operating characteristic curve and the average precision value of the precision-recall curve, respectively. The location of future landslides can now be quickly and efficiently predicted using remote sensing data at a lower cost and with less labor. The landslide susceptibility maps produced in this study can play a role in sustainability and serve as references for establishing policies for landslide prevention and mitigation.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».