Enhanced detection of freeze‒thaw induced landslides in Zhidoi county (Tibetan Plateau, China) with Google Earth Engine and image fusion
Notice bibliographique
Résumé
Freeze‒thaw induced landslides (FTILs) in grasslands on the Tibetan Plateau are a geological disaster leading to soil erosion. However, conventional techniques for regional-scale mapping of FTILs are impractical because they are labor-intensive, expensive, and time-consuming. This study focuses on improving FTILs detection by utilizing image fusion-based Google Earth Engine (GEE) and a random forest algorithm. Integration of various data sources, including texture features, index features, spectral features, slope, and vertical‒vertical polarization data, allow automatic detection of the spatial distribution characteristics of FTILs in Zhidoi county, which is located within the Qinghai‒Tibet engineering corridor (QTEC). We employed statistical techniques to elucidate the mechanisms influencing FTILs occurrence. The image fusion method identifies two schemes that achieve high accuracy using a smaller training sample (scheme A: 94.1%; scheme D: 94.5%) compared to other methods (scheme B: 50.0%; scheme C: 95.8%). This approach is effective generating accurate results using only 10% of the training sample size required for other methods. The spatial distribution patterns of FTILs generated for 2021 are similar to those obtained using various other training sample sources, with a primary concentration observed along the central region traversed by the QTEC. The results highlight slope as the most crucial feature in the fusion images, as it accounts for 93% of FTILs occurring on gentle slopes ranging from 0° to 14°. This study provides a theoretical basis and technological reference for the identification, monitoring, prevention and control of FTILs in grasslands, with the potential to benefit grassland ecosystem management, reduce economic losses, and promote grassland sustainability.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».