通过半监督学习对前体地震活动进行表征,以便通过半监督学习对山体滑坡进行早期预警
David Murray1, Lina Stankovic2, Vladimir Stankovic2
1University of Strathclyde, Glasgow, G1 1XR, UK. david.murray@strath.ac.uk.
Scientific reports
|January 6, 2025
概括
来自地震图的机器学习现在可以检测到早期的山体滑坡前体. 这一突破能够及时预测斜坡故障,为先进的山体滑坡预警系统奠定了基础.
科学领域:
- 地质物理学 地质物理学
- 机器学习 机器学习
- 地质技术工程 地质技术工程
背景情况:
- 滑坡带来了重大的经济和公共风险,造成基础设施损坏和生命损失.
- 虽然已知山体滑坡的触发因素,但在当地范围内预测即将发生的斜坡故障仍然具有挑战性.
- 现有的方法难以及时,斜坡规模的地震预警.
研究的目的:
- 开发一种机器学习方法,使用地震数据识别斜坡故障的早期阶段.
- 为了能够及时预测山体滑坡引起的迁移,为有效的早期预警系统.
- 描述与不同滑坡阶段相关的地震前体.
主要方法:
- 利用半监督学习从连续的地震录像记录超过10年的地震事件检测.
- 应用了半监控的语网络来分析在活跃的地滑流附近的地震数据.
- 确定了微地震性增加及其频谱的变化.
主要成果:
- 该方法成功地检测和描述了滑坡事件的地震前体.
- 在故障之前确定了不同的阶段:"休息"",前体"和"活跃",基于微地震性.
- 证明了及时预测山体滑坡引起的流离失所的潜力.
结论:
- 应用于地震图的机器学习可以有效地识别早期的山体滑坡前体.
- 开发的方法为强大的山体滑坡预警系统提供了基础.
- 西安网络的适应性允许在新地点检测前体.
