A multi-source landslide early warning model based on dynamic monitoring data and the SAAHP-FCE method
Notice bibliographique
Résumé
Landslide early warning is crucial for mitigating disaster impacts but remains challenging due to numerous influencing factors, resulting in untimely or unreliable warnings. To address these issues, a multi-source early warning model using dynamic monitoring data is proposed, combining the Self-Adaptive Analytic Hierarchy Process (SAAHP) with the Fuzzy Comprehensive Evaluation (FCE) method. First, a hierarchical structure and quantitative thresholds are established based on the landslide mechanism and monitoring data, classifying warnings into four levels: safety, caution, vigilance, and alarm. SAAHP is then applied to calculate evaluation factor weights using a judgment matrix. Finally, FCE evaluates the overall impact of these factors, providing warning levels, probabilities, and scores. An experiment on the Heifangtai DC#7 landslide demonstrated the model’s success in capturing all four events in this disaster. The ‘alarm’ warning was issued two days earlier than traditional velocity-based models. Similarly, for the Xinpu landslide in the Three Gorges Reservoir area, the model integrated multi-station monitoring data, reducing the impact of data interruptions on warning accuracy. This approach effectively identifies landslide risks in advance, providing comprehensive, dynamic warnings and overcoming the limitations of single-indicator models. It offers a reliable framework for improving early warning precision and disaster preparedness.
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 | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».