Landslide Susceptibility Mapping Considering Landslide Local-Global Features Based on CNN and Transformer
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Landslide susceptibility mapping (LSM) is a crucial step in quantitatively assessing landslide risk, essential for geologic hazards prevention. With the rapid development of deep learning models, convolutional neural networks (CNN) and Transformer architectures have been applied to LSM. However, these models still face the challenges of suboptimal mapping accuracy and limited capacity for multi-level landslide features extraction. In this study, we present a CNN-Transformer Local-Global Feature Extraction Network (CTLGNet) that combines the strengths of both CNN and Transformer models to effectively extract both landslide local and global features. We apply this model to LSM in two regions: the Three Gorges Reservoir area and Jiuzhaigou. To begin, nine landslide conditioning factors are selected and analyzed to construct the landslide dataset for LSM. Subsequently, the dataset is randomly split into training, validation, and test datasets in a 6:2:2 ratio to attain LSM results. Then, CTLGNet is compared to CNN, residual neural network (ResNet), densely connected convolutional network (DenseNet), Vision Transformer (ViT), and Fractional Fourier Image Transformer (FrIT) using various evaluation metrics. The results demonstrate that CTLGNet exhibits exceptional landslide prediction and generalization capabilities, outperforming the other five models across all evaluation metrics except Recall, with AUC values of 0.9817 and 0.9693 for the two regions respectively. The LSM results indicate that CTLGNet can effectively extract both landslide local and global features to achieve landslide localization and detail capture. Overall, our proposed framework excels in extracting multi-level landslide features and holds great potential for widespread application.
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.
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 | 0,001 |
| 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 découle