A novel DEM enhancement methodology to improve physics-based susceptibility modeling of rainfall-induced landslide along anthropogenically modified slopes
Notice bibliographique
Résumé
Rainfall-induced landslide is a pervasive hazard in steep, high-elevation terrains, where localized anthropogenic modifications implemented without adequate drainage systems increase pore water pressure, significantly exacerbating slope instability. The high expense and limited availability of fine-resolution data often hinders regional slope stability models from accounting for such fine-scale terrain details, leading to reduced predictive accuracy. This study presents a novel methodology to enhance digital elevation models (DEMs) for capturing fine-scale terrain features, focusing on terraced slopes. Using high-resolution satellite imagery, the approach integrates advanced image processing, particularly the Canny edge detection algorithm for precise terracing pattern recognition, combined with field measurements and geospatial analyses. Validation against LiDAR-derived DEMs yielded an R2 value of 0.9876, with extracted slopes exhibiting a mean relative error of 0.28, substantially outperforming conventional resampling methods. The framework integrating DEM enhancement and physics-based model was applied to two landslide case studies in the Western Ghats, India: 2021 Plappally and 2019 Kavalappara landslides. Results demonstrated this framework effectively delineates failure zones and captured critical pore pressure amplification due to terracing, aligning well with field observations and existing coupled flow-deformation analyses. This scalable methodology significantly enhances slope stability analyses and landslide hazard assessments in regions with anthropogenic slope modifications.
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) | 0,000 | 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 | 0,000 | 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 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 ».