Statistical Modelling of Landslide Susceptibility along National Highway 7 from Rudraprayag to Joshimath, Indian Himalaya
Notice bibliographique
Résumé
ABSTRACT This study investigates landslide susceptibility over a 115 km stretch of National Highway 7 (NH-7) from Rudraprayag to Joshimath in the Indian Himalaya. Two statistical methods, Frequency Ratio (FR) and Information Value (IV), were utilized to assess eleven causal components, including geological, topographical, and land-use elements, to generate Landslide Susceptibility Zonation (LSZ) maps. The study employed a landslide inventory comprising 122 landslides and 11 preparatory factors. The characteristics of these factors were examined by generating thematic layers utilizing Geographic Information Systems (GIS). This study integrates eleven diverse parameters, including geological, topographical, hydrological, and anthropogenic factors, ensuring a more comprehensive analysis. The FR model designated 6.48% of the area as very high susceptibility and 15.56% as high susceptibility, whereas the IV model categorised 11.18% and 23.90% in these classifications, respectively. Both models were evaluated by landslide density analysis and success rate curves, with the IV model demonstrating marginally superior performance. The IV model detected 53% of landslides in the highest susceptibility zones, whereas the FR model identified 50%. Significant findings indicated that slope angles exceeding 35° and nearness to roadways, faults, and drainage systems demonstrated robust relationships with landslide occurrences. The resultant LSZ maps serve as an essential component for hazard reduction and infrastructure design in this geologically dynamic area, presenting a comprehensive framework for landslide risk evaluation in mountainous transportation routes characterized by intricate geological conditions.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».