Improved Landslide Deformation Prediction Using Convolutional Neural Network–Gated Recurrent Unit and Spatial–Temporal Data
Notice bibliographique
Résumé
As one of the major forms of geological disaster, landslides cause huge casualties and economic losses in China every year. Given the importance of landslide prediction, it is a challenging task due to difficulties in efficiently leveraging the spatial–temporal information for enhanced prediction. This paper presents a novel spatial–temporal enhanced CNN-GRU model to improve landslide predictions with the following contributions. First, this paper explicitly models the spatial correlation in the dataset and constructs a spatial–temporal time-sequence deformation prediction model that greatly improves landslide predictions. This model integrates the spatial correlation of monitoring points into time-series deformation prediction to improve the prediction of landslide deformation trends. Second, we develop a complete data processing pipeline involving SBAS-InSAR, time-series data preprocessing, spatial–temporal homogeneous point selection and weighting, as well as CNN-GRU model training. The pipeline is tailor-designed to leverage the spatial–temporal correlation in the data to enhance the prediction performance. Third, we apply the proposed model to monitor landslide deformation around Woda Village, Chamdo City, Tibet. The results show that the root mean square error (RMSE) of the monitoring points in the landslide area is reduced by about 20.9% and the number of points with an RMSE of less than 3 mm is increased by 12.9%, leading to a significant improvement in prediction 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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».