LCFSTE: Landslide Conditioning Factors and Swin Transformer Ensemble for Landslide Susceptibility Assessment
Notice bibliographique
Résumé
Landslide susceptibility assessment (LSA) holds crucial importance in guiding regional disaster prevention and reduction efforts. However, current deep learning (DL) models for LSA encounter challenges like insufficient landslide data samples and uneven distribution. In this paper, we develop a new hybrid framework named LCFSTE, which integrates landslide conditioning factors (LCFs) and Swin Transformer (Swin-T) for LSA. With this framework, we fully leverage the powerful nonlinear feature extraction capability of Swin-T to extract abstract features from both landslides and LCFs. This approach ultimately enhances the precision and reliability of LSA. To assess the performance of our newly proposed framework, we selected Jiuzhaigou County, China, as our study area. Firstly, a dataset for LSA was constructed using historical landslide data and 11 multi-source LCFs. Then, these factors were screened through multicollinearity test and factor importance analysis using variance inflation factors, tolerance, and information gain rate. Subsequently, the dataset was divided into three subsets: 60% for training, 20% for validation and 20% for testing. Then, the LSA results were compared with four DL models. Seven evaluation metrics (EMs) are chosen to quantitatively evaluate the performance of these five LSA models. The results demonstrated that, among these seven EMs, LCFSTE outperformed the others, achieving the highest score in six out of the seven considered EMs. This outcome highlights the promising applicability of LCFSTE in enhancing LSA accuracy.
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 | 0,000 | 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 ».