HAZARD MAPPING OF LANDSLIDES, A COMPARISON OF THREE DIFFERENT OVERVIEW MAPPING METHODS IN FINE-GRAINED SOILS.
Bibliographic record
Abstract
L´objectif de ces études était d´appliquer des méthodes de cartographie de l’aléa utilisées en Suède, en Norvège et au Canada, sur des sols à grains fins, dans la zone test Åby, et d’évaluer les différences entre ces methodes. Les conditions des sols sont assez similaires dans ces pays. Pendant et aprés la dernière déglaciation, de l’argile molle a été déposée en bordure des littoraux, dans des lacs et dans des vallées où beaucoup de glissements de terrains se sont produit. On peut trouver dans ces trois pays des argiles particulièrement très sensibles. La zone test de Åby est située dans la partie sud-ouest de la Suède prés de la rivière Göta. Les principaux objectifs des méthodes étudiées sont de circonscrire les zones d’aléa de glissements de terrain et d’identifier celles pouvant exiger des études plus détaillées. Les critères utilisés dans les méthodes sont dans l´ensemble basés sur les conditions géologiques et topographiques existantes, les glissements antérieurs et les conditions d´érosion. Selon les conditions relevées, toutes ces méthodes classent les secteurs étudiés en différentes zones d’aléa ou de susceptibilité aux glissements de terrain. La présente étude démontre que toutes les méthodes indiquent qu´il y a des aléas de glissements de terrain et que certaines zones requièrent des études géotechniques plus détaillées dont des analyses de stabilité. Les plus grandes différences entre les résultats des différentes méthodes concernent la forme, la surface et le nombre des zones d’aléa. The aim of the study was to apply hazard mapping methods which are used in Sweden, Norway and Canada for fine-grained
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".