【论文推荐|滑坡检测·空间预测·时间预测· 数据驱动的分析】机器学习在滑坡研究中的最新进展与应用（2022）（九）

文章目录

【论文推荐|滑坡检测·空间预测·时间预测· 数据驱动的分析】机器学习在滑坡研究中的最新进展与应用（2022）（九）
5 滑坡时序预测
- 5.2 降雨引发的滑坡
- 5.3 动态易感性制图

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/145551342

论文地址：https://doi.org/10.1007/s11069-022-05423-7

5 滑坡时序预测

5.2 降雨引发的滑坡

降雨引发的滑坡通过设定一个阈值来定义降雨条件，当降雨量达到或超过该阈值时，可能引发滑坡。近年来，滑坡降雨阈值主要通过经验方法或统计方法确定（Segoni等，2018）。目前，机器学习（ML）方法也开始用于这一领域。例如，传统的支持向量机（SVM）算法已被多位学者用于确定降雨阈值（Vallet等，2013；Rachel和Lakshmi，2016；Omadlao等，2019）。

在日本，Osanai等（2010）开发了一种新的滑坡和泥石流灾害预警系统，使用60分钟累计降雨量的降雨指数，并通过径向基函数网络（RBFN）建立了临界线（CL）。他们指出，2009年该系统的运行结果证明了其在预测降雨引发滑坡方面的有效性。由于文献中未找到其他相关文献，尚不清楚这些阈值是否已得到进一步验证。

此外，ML方法还被用于探索降水量与地下水位之间的关系，这一条件与滑坡内部孔隙水压力增大和剪切强度下降密切相关，尤其是对深层滑坡具有重要影响。

Yoon等（2011）使用ANN和SVM技术开发了两个非线性时间序列模型，基于地下水位、降水量和潮位数据预测地下水位波动。
Krkač等（2017）采用随机森林（RF）方法预测了Kostanjek滑坡的地下水位波动。
Huang等（2017）基于混沌理论提出了一个PSO-SVM模型，用于预测Huayuan滑坡的日地下水位和三峡库区Baijiabao滑坡的周、月地下水位。
Wei等（2019）研究了两种不同的ML方法，即遗传算法反向传播神经网络（GA-BPNN）和遗传算法支持向量机（GA-SVM），用于预测浙江省Duxiantou滑坡的地下水位波动。

5.3 动态易感性制图

使用机器学习（ML）方法进行滑坡易感性制图已被广泛研究，但这些研究通常不涉及滑坡发生的时间预测。近年来，动态易感性制图或时空滑坡概率评估的兴趣增加（如Lombardo等，2020；Wang等，2022）。

多项研究探讨了基于传统ML方法的时空滑坡预测方法，如支持向量机（SVM）（Farahmand & AghaKouchak，2013；Rachel和Lakshmi，2016；Omadlao等，2019）、人工神经网络（ANN）（Pradhan等，2019）、决策树（Kirschbaum等，2015；Kirschbaum和Stanley，2018）。

表11总结了几项利用（混合）ML算法进行动态易感性制图的最新研究，展示了所采用的ML算法、案例研究的地点和时间。

Stanley等（2020）使用XGBoost模型识别了1976至2016年间，在较大生态区内最可能发生滑坡的时空位置。XGBoost方法被证明是有效的，可以将降雨强度、大气河流、前期土壤湿度和融雪等数据，整合为统一的降雨引发滑坡危险指标。
Lee等（2021）提出了一种基于Gumbel分布的MLP-NN方法，用于评估未来滑坡发生的时间概率，基于有限的降雨记录和滑坡清单数据，应用于韩国Jinbu地区。MLP-NN曾用于静态滑坡易感性分析，采用平衡像素数据，并通过ROC曲线和AUC值验证了易感性图的准确性。最后，结合72小时前降雨阈值的Gumbel模型，评估了滑坡发生的时间概率，并与空间概率结合，确定了滑坡危险。
Utomo等（2019）提出了基于物理稳定性方法与ADASYN（自适应合成采样）—BPNN（反向传播神经网络）的混合模型，设计了一种高精度的预警系统。该方法相比BPNN和未使用物理稳定性分析的ADASYN-BPNN，具有更高的准确度，但需要更多的计算时间和资源。
Lombardo等（2020）提出了一种新的贝叶斯建模框架，用于滑坡的时空预测。贝叶斯模型的空间预测性能通过十折交叉验证进行量化，时间预测性能通过留一法交叉验证进行评估。
Wang等（2022）建立了一个涵盖1985至2015年中国地区水文形态（HMP）过程的时空易感性模型，该模型基于二项广义线性模型（GLM），计算每个流域、每年的时空易感性分布的均值、最大值及95%置信区间。

下节请参考：【论文推荐|滑坡检测·空间预测·时间预测· 数据驱动的分析】机器学习在滑坡研究中的最新进展与应用（2022）（十）