Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Landslide susceptibility mapping along the Thimphu-Phuentsholing highway using machine learning

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14310%2F22%3A00125019" target="_blank" >RIV/00216224:14310/22:00125019 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://www.sciencedirect.com/science/article/pii/B9780323898614000385" target="_blank" >https://www.sciencedirect.com/science/article/pii/B9780323898614000385</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1016/B978-0-323-89861-4.00038-5" target="_blank" >10.1016/B978-0-323-89861-4.00038-5</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Landslide susceptibility mapping along the Thimphu-Phuentsholing highway using machine learning

  • Popis výsledku v původním jazyce

    In the Himalayan region, landslides are considered one of the most common natural disasters. The study area for this study is a 2 km buffer along the Thimphu-Phuentsholing highway in Bhutan, which is a part of Asian Highway 48. In this study, machine learning was adopted which allows relatively precise predictions to be made by providing accurate and reliable data. Of the numerous methods available for machine learning, two methods, i.e., random forest (RF) and logistic regression (LR) have been selected for this paper. Slope, aspect, geology, land cover, precipitation, distance from the drainage, distance from the road, TPI, TRI, Elevation, and surface roughness were the parameters selected for the study area. The two methods are validated and compared using the ROC and (AUC). The RF method performed slightly better than the LR method with an AUC of 0.91 and LR of 0.86.

  • Název v anglickém jazyce

    Landslide susceptibility mapping along the Thimphu-Phuentsholing highway using machine learning

  • Popis výsledku anglicky

    In the Himalayan region, landslides are considered one of the most common natural disasters. The study area for this study is a 2 km buffer along the Thimphu-Phuentsholing highway in Bhutan, which is a part of Asian Highway 48. In this study, machine learning was adopted which allows relatively precise predictions to be made by providing accurate and reliable data. Of the numerous methods available for machine learning, two methods, i.e., random forest (RF) and logistic regression (LR) have been selected for this paper. Slope, aspect, geology, land cover, precipitation, distance from the drainage, distance from the road, TPI, TRI, Elevation, and surface roughness were the parameters selected for the study area. The two methods are validated and compared using the ROC and (AUC). The RF method performed slightly better than the LR method with an AUC of 0.91 and LR of 0.86.

Klasifikace

  • Druh

    C - Kapitola v odborné knize

  • CEP obor

  • OECD FORD obor

    10500 - Earth and related environmental sciences

Návaznosti výsledku

  • Projekt

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název knihy nebo sborníku

    Computers in Earth and Environmental Sciences: Artificial Intelligence and Advanced Technologies in Hazards and Risk Management

  • ISBN

    9780323898614

  • Počet stran výsledku

    17

  • Strana od-do

    601-617

  • Počet stran knihy

    683

  • Název nakladatele

    Elsevier

  • Místo vydání

    Cambridge

  • Kód UT WoS kapitoly