Innovative landslide disaster monitoring: unmanned aerial vehicle-deployed GNSS technology
Notice bibliographique
Résumé
Real-time monitoring technologies of surface deformation represented by the global navigation satellite system (GNSS) are essential for landslides early warning. Monitoring methods such as GNSS require on-site manual installation. Therefore, it becomes nearly impossible to deploy surface monitoring equipment when landslides are located in high mountain valleys that are challenging for personnel to access, and/or in hazardous situations. We propose an intelligent real-time monitoring and early-warning technology that employs an unmanned aerial vehicle (UAV) as a carrier to deploy GNSS equipment. A system was initially designed with five components: an adaptive sampling GNSS receiver, an intelligent cooperative network transmission module, UAV-dropped GNSS equipment, special delivery UAV, and an intelligent monitoring and early warning cloud platform. This new technology was applied to a real landslide in Gansu Province, China, in 2020. The mean absolute error of 30 days in the east, north, and upward directions were 1.2, 1.3, and 2.9 mm/d, respectively, comparing the deformation velocity between the traditional monitoring station and the UAV-dropped monitoring station. This observation facilitated the successful prediction of a landslide hazard on 27 January 2021, allowing for a timely alert to be issued. Collectively, the results of this study established that UAV-deployed GNSS technology can accomplish unmanned deployment of GNSS equipment for landslide monitoring to ensure early warning issuance in inaccessible and/or high-risk 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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».