Pemetaan Kerentanan Tanah Longsor berbasis Machine Learning
Notice bibliographique
Résumé
Masalah longsor merupakan salah satu jenis bencana yang merusak kerugian jiwa ekonomi dan manusia. Masalah ini membutuhkan kesadaran dan pemetaan daerah rentan untuk mencegah efeknya. Penelitian ini meninjau 28 penelitian yang berlokasi di Cina, Iran, Pakistan, Korea Selatan, Slovakia, Yunani, Brazil, Rwanda dan Rumania.Negara-negara ini menghadapi masalah longsor karena topografinya lebih banyak jenis medan berbukit. Random Forest menjadi metode yang paling populer digunakan dalam pemeetaan kerentanan tanah longsor. Akurasi yang didapat dalam penelitian tersebut menghasilkan akurasi antara 70% dan 98,3% dan nilai AUC dari sekitar 0,8 hingga 0,997. Beberapa makalah menunjukkan bahwa ensemble dan pendekatan pembelajaran mendalam (termasuk jaringan saraf konvolusi dan berulang) berkinerja secara kompetitif tetapi membutuhkan sumber daya komputasi yang lebih besar. Faktor topografi (kemiringan, ketinggian, aspek, kelengkungan) menjadi faktor yang paling sering digunakan dalam topik ini. Tinjauan artikel ini mencakup publikasi dalam kurun waktu lima tahun terakhir, yaitu dari tahun 2020 hingga Mei 2025. Penelitian ini lebih difokuskan pada model machine learning untuk memetakan masalah longsor di daerah terpilih ini. Penelitian ini dapat membantu peneliti masa depan yang akan memanfaatkan metode machine learning untuk memetakan kerentanan daerah terhadap tanah.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,005 |
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 ».