Beyond boundaries: AI-optimized global landslide susceptibility mapping
Notice bibliographique
Résumé
Landslides pose a significant global threat, causing extensive loss of life, economic damage and environmental degradation. Despite advancements in landslide susceptibility mapping, existing methods often lack global-scale applicability and fail to incorporate robust optimization strategies for improved predictive accuracy. This study addresses these gaps by developing an optimized framework using support vector regression (SVR) enhanced with meta-heuristic algorithms (grey wolf optimizer [GWO] and bat algorithm) to refine model hyper-parameters. It integrates a globally representative data set of 37,984 landslide and non-landslide locations, ensuring broader applicability and generalizability. The information gain ratio method assessed the relative importance of 12 geo-environmental factors influencing landslide. The results indicated that all models achieved good predictive performance during the testing phase, as evidenced by an area under the receiver operating characteristic curve (AUC) value exceeding 0.8, but the SVR-GWO model exhibited the highest prediction accuracy (AUC = 0.92), making it suitable for large-scale hazard assessment. Plan curvature emerged as the most influential factor, surpassing slope, land use, and rainfall that are dominant at regional or local scales. The five countries with the highest landslide-prone areas were Russia, Canada, USA, China, and Brazil. The results support policymakers and urban planners in developing efficient strategies to minimize landslide risks.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 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 ».