Investigating the Landslide Susceptibility Assessment Methods for Multi-Scale Slope Units Based on SDGSAT-1 and Graph Neural Networks.
Notice bibliographique
Résumé
Landslide susceptibility assessment is crucial for preventing landslide risks. However, existing methods only consider local environmental features related to landslides, neglecting remote yet interconnected geographical features, leading to unreliable landslide susceptibility maps. This study fully considers the complex terrain and landform features of mountainous areas where landslides occur. From the perspectives of mapping units and susceptibility assessment models, it introduces geographical environmental correlations to achieve a comprehensive association between landslides and affected environments, thereby improving the accuracy of landslide susceptibility assessments. At the same time, since the world's first scientific satellite dedicated to serving the United Nations 2030 Agenda for Sustainable Development, the Sustainable Development Goals Scientific Satellite 1 (SDGSAT-1), was launched in 2021, its potential in monitoring and assessing landslide disasters remains to be developed. Therefore, this study innovatively applies SDGSAT-1 data in the field of landslide research and conducts landslide susceptibility assessment in Jiulong County, Ganzi, based on the optimal scale slope units and Graph Neural Networks (GNN).We propose the following method: First, establish appropriately sized slope units using R.Slopeunits to simulate complex mountainous terrain. Second, extract various landslide influencing factors using SDGSAT-1 satellite imagery data. Then, select the most representative graph nodes by constraining environmental similarity and influencing factor feature similarity, constructing a graph structure. Finally, perform landslide susceptibility assessment in the study area using the GraphSage model, which includes environmental information aggregation.This study's distinctive feature lies in fully considering the complex terrain and landform characteristics of mountainous areas where landslides occur. From the perspectives of mapping units and evaluation models, it introduces geographical environmental correlations to achieve a comprehensive association between landslides and affected environments. Furthermore, to validate the effectiveness of the proposed method, we selected raster units and the classic Artificial Neural Network (ANN) model as control experiments. Simultaneously, we conducted comparative experiments using Landsat and SDGSAT-1 satellite imagery, analyzing differences from two aspects: landslide influencing factors and landslide susceptibility evaluation results.The results indicate that: (1) Compared to the commonly used Landsat series satellite data in previous studies, SDGSAT-1 satellite imagery offers higher spatial resolution, capturing more spectral information with richer hue and detail. Additionally, it can generate more angles of landslide influencing factors compared to Landsat satellite data. (2) Employing global heterogeneity evaluation metrics allows for reasonable determination of slope unit scales, thereby maximizing internal consistency and external heterogeneity control within slope units. (3) By utilizing the Graph Neural Network (GNN) model that incorporates environmental information aggregation for landslide susceptibility assessment in the study area, it can, to some extent, overcome spatial limitations and integrate complex mountainous environmental information, facilitating the induction of reliable landslide characteristics.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».