A hybrid time series analysis-genetic algorithm-support vector machine model for enhanced landslide prediction
Notice bibliographique
Résumé
Landslide prediction is a critical task for ensuring public safety and preventing economic loss in regions prone to such natural disasters. Traditional models for landslide prediction often lack accuracy and precision because of the intricate interactions between various factors that lead to landslide events. To tackle this issue, we introduce an innovative hybrid approach for landslide prediction that combines Time Series Analysis (TSA), Genetic Algorithm (GA), and Support Vector Machine (SVM). TSA decomposes landslide displacement data into trend, seasonal, and residual components, improving the clarity of the data. GA optimizes the hyperparameters of SVM, ensuring the most effective application of the SVM. Finally, the SVM is trained on detrended data, producing a model capable of accurately predicting future landslides. Our experimental outcomes manifest that the TSA-GA-SVM model we advanced performs far better than the individual TSA and SVM models when it comes to forecasting landslide displacement. The hybrid model achieved a mean absolute error of 0.15 m compared to 0.42 m for TSA and 0.38 m for SVM alone. Sensitivity analysis revealed that increasing GA population size improved model stability, while higher mutation rates led to more variable predictions. The model showed good generalization ability, performing well across different regions and under various geological and hydrological conditions. This research not only advances the state of the art in landslide prediction but also provides a practical tool for authorities to implement in their disaster prevention and management strategies.
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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».