Grafos causales dinámicos inspirados en bayesianos y Transformers conscientes de roles para la predicción de...

Área de la Ciencia:

• Geociencias
• Inteligencia Artificial
• Ingeniería de Terremotos

Sus antecedentes:

• Las lluvias intensas están aumentando la frecuencia y el riesgo de deslizamientos de tierra, particularmente en regiones con pendientes pronunciadas y suelos delgados como el sur de China.
• Los métodos existentes de predicción de desplazamientos de deslizamientos de tierra a menudo luchan con la transferencia entre dominios y la adaptabilidad debido a tuberías complejas y multietapa.
• La predicción precisa en diversos regímenes de deformación es crucial para sistemas de alerta temprana efectivos.

Objetivo del estudio:

• Desarrollar un método novedoso, adaptable y preciso para la predicción de desplazamientos de deslizamientos de tierra para sistemas de alerta temprana.
• Abordar las limitaciones de los enfoques existentes en la transferencia entre dominios y la adaptabilidad.
• Aprovechar el descubrimiento causal para mejorar la predicción de deslizamientos de tierra inducidos por lluvia.

Principales métodos:

• Se desarrolló CRAFormer, un modelo Transformer causal consciente de roles guiado por un grafo causal de estilo de red bayesiana de desfase dinámico.
• Se utilizó un grafo dirigido acíclico (DAG) descubierto para particionar los impulsores en roles causales y crear máscaras específicas de roles y no anticipatorias para los codificadores.
• Se implementó una puerta Top-2 sensible al contexto para la fusión dispersa de las salidas de las ramas y se incorporó una cola ICS sin fugas para pronósticos de lluvia exógena.

Principales resultados:

• CRAFormer redujo el Error Absoluto Medio (MAE) y el Error Cuadrático Medio (RMSE) en un 59-79% en todas las estaciones en comparación con la línea de base más fuerte.
• El modelo demostró una precisión mejorada cerca de los puntos de inflexión y eventos escalonados, característicos de los deslizamientos de tierra.
• El rendimiento fue robusto en dos sitios de deslizamientos de tierra contrastantes (LaMenTun y BaYiTun) en Guangxi utilizando conjuntos de datos curados de GNSS.

Conclusiones:

• El descubrimiento causal combinado con la predicción neuronal ofrece un enfoque práctico para la predicción de deslizamientos de tierra inducidos por lluvia.
• CRAFormer muestra un potencial significativo para mejorar los sistemas de alerta temprana a través de una predicción de desplazamiento precisa y adaptable.
• El estudio valida las contribuciones de las máscaras causales, las colas ICS sin fugas y las prioridades de monotonicidad para mejorar la precisión de la predicción.