A deep learning-based model for endorsing predictive accuracies of landslide prediction: insights into soil moisture dynamics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle