A deep learning-based model for endorsing predictive accuracies of landslide prediction: insights into soil moisture dynamics
Notice bibliographique
Résumé
Abstract Introduction and Research Gap This study presents a comprehensive framework for predicting volumetric water content (VWC) to mitigate shallow, rainfall-induced landslides, bridging existing gaps in the literature. Methodology The framework synergistically integrates the empirical strengths of deep learning (DL) with the physical dynamics of the VWC subsurface behavior. Statistical, shallow machine learning (ML), and DL models were investigated with optimization techniques and sensitivity analyses to establish benchmarks for comparison and derive optimal predictions. DL and probability theory enable both point and interval predictions. Findings Validation on the Pa Mei landslide demonstrates strong performance with mean absolute errors (MAE) ranging from 0.35% to 1.22% and Predicted Interval Coverage Probabilities (PICP) from 0.86 to 0.91. Predicted VWC deviations were propagated into Factor of Safety (FOS) calculations, yielding robust performance metrics with R 2 and PICP of 0.89 and 0.85, respectively. Transferability is demonstrated at the Tung Chung landslide, where MAE ranges from 0.36% to 1.25% and PICP from 0.86 to 0.95. Significance This framework demonstrates improved accuracy and introduces a practical data-sharing mechanism to address monitoring challenges such as power consumption and data loss, offering a robust tool for hazard mitigation and decision support.
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 | 0,003 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».