一种多任务的深度学习方法,用于预测山体滑坡的移位,并应用于预警系统

科学领域:

• 地质科学和环境科学 地球科学和环境科学
• 地球科学中的人工智能
• 地质工程和山体滑坡监测

背景情况:

• 准确地预测山体滑坡移位对于开发可靠的山体滑坡预警系统 (LEWS) 至关重要.
• 深度神经网络通常用于山体滑坡移位建模,但可能不适合LEWS目标.
• 专注于低预测残留量的现有模型可能导致低效的基于值的警告预测.

研究的目的:

• 建议和验证针对LEWS量身定制的多任务深度学习方法,用于预测滑坡移位.
• 在滑坡监测中提高基于值的警告预测的效率.
• 开发Urbas山体滑坡的流离失所预测模型,作为改善现有报警系统的一步.

主要方法:

• 开发了一种多任务学习方法,以使用辅助目标优化LEWS相关性能模型.
• 一个卷积神经网络被用来预测前一天的迁移.
• 该模型利用了Urbas滑坡 (斯洛文尼亚) 上验证的滑坡活动,水文气象和地震数据.

主要成果:

• 拟议的多任务模型在预警预测方面获得了竞争力的R2分数.
• 与参考模型相比,该模型的平均绝对误差明显较低.
• 该方法在改善LEWS的山体滑坡位移预测方面被证明是有效的.

结论:

• 多任务方法优化了LEWS的山体滑坡位移模型,提高了警报效率.
• 开发的模型显示了Urbas滑坡的强性能,有助于加强监测.
• 这种方法广泛适用于改善全球的山体滑坡建模和预警系统.