Influence of high Andean grasslands on landslide reduction in Peru
Notice bibliographique
Résumé
Agricultural and urban expansion has caused considerable degradation of ecosystems. In the case of Peruvian high Andean grasslands, it was reported that between 2000 and 2009, this ecosystem was reduced by 7%. The limited or no protection they receive is partly due to the fact that the benefits of ecosystem services are not widely known. This research aims to establish and predict the influence of high Andean grasslands on the annual occurrence of landslides. To do so, we identified occurrences of landslides, falls, huaycos, avalanches, and alluviums in high Andean grasslands. We also examined urban areas and agricultural zones of Peru for the period from 2003 to 2016. Subsequently, we extracted data on precipitation, temperature, slopes, soil types, and geographical variables. This data was used to train a machine learning model. The results show that 96% of landslides occurred in human-intervened areas, and only 4% in high Andean grasslands. Precipitation and slope thresholds for landslide occurrence are higher in high Andean grasslands compared to agricultural and urban areas. The best-performing machine learning models were linear regression, Gaussian processes, random forest, and support vector machine. They had coefficients of determination of R² = 0.80, 0.80, 0.66, and 0.64, respectively. Predictions show that if agricultural or urban areas are established in wet or dry puna grasslands, the average number of occurrences multiplies. The multiplier factors are 2.1 and 7.08, the number of deaths by 2.8 and 10.49, the number of houses destroyed by 2.4 and 7.51, and the number of roads destroyed by 2.2 and 7.37, respectively. The study demonstrates that conserving high Andean grasslands significantly reduces landslides compared to urban or agricultural areas.
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 | 0,001 |
| 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) | 0,001 | 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 ».