Predicting the thickness of shallow landslides in Switzerland using machine learning
Natural hazards and earth system sciences,
Год журнала:
2025,
Номер
25(2), С. 467 - 491
Опубликована: Фев. 5, 2025
Abstract.
Landslide
thickness
is
a
key
variable
in
various
types
of
landslide
susceptibility
models.
In
this
study,
we
developed
model
providing
improved
predictions
potential
shallow-landslide
for
Switzerland.
We
tested
three
machine
learning
(ML)
models
based
on
random
forest
(RF)
models,
generalised
additive
(GAMs),
and
linear
regression
(LMs).
Next,
compared
the
results
to
simple
that
link
soil
slope
gradient
(Simple-S/linear
interpolation
SFM/log-normal
distribution)
elevation
(Simple-Z/linear
interpolation).
The
were
calibrated
using
data
from
two
field
inventories
Switzerland
(HMDB
with
709
records
KtBE
515
records).
explored
39
different
covariates,
including
metrics
terrain,
geomorphology,
vegetation,
lithology,
at
cell
sizes.
To
train
ML
21
variables
chosen
importance
derived
RF
expert
judgement.
Our
show
consistently
outperformed
by
reducing
mean
absolute
error
least
20
%.
produced
0.25
m
HMDB
0.20
data.
Models
substantially
improve
prediction
thickness,
offering
refined
input
enhancing
performance
stability
simulations.
Язык: Английский
Böden haben Grenzen – Informationen von Bodenkarten
Handbuch der Bodenkunde,
Год журнала:
2025,
Номер
unknown, С. 1 - 12
Опубликована: Фев. 25, 2025
Bodenkarten
sind
eine
wichtige
Informationsgrundlage
für
alle
Planungsmaßnahmen,
die
den
Naturraum
betreffen,
seien
es
Landnutzung,
der
Boden‐
und
Grundwasserschutz
oder
Bautätigkeiten
aller
Art.
Dieses
Kapitel
gibt
unter
Verweis
auf
ausführliche
Darstellungen
anderer
Autoren
in
diesem
Handbuch
einen
Überblick
über
Zuständigkeiten
Grundzüge
Herstellung,
generelle
Struktur
dadurch
vermittelte
Inhalte
von
verschiedenen
Maßstäben
wieder.
Abschließend
wird
Grenzen
Aussagemöglichkeiten
eingegangen,
durch
Regionalisierung
punktförmiger
Bodenerhebungen,
Aggregierung
Einzelmerkmalen
zu
einer
Kartiereinheit
maßstababhängige
Notwendigkeit
zur
räumlichen
Generalisierung
bestimmt
werden.