Геологи используют искусственный интеллект для улучшения прогнозирования оползней

Геологи из Калифорнийского университета в Лос-Анджелесе (UCLA) разработали новаторскую технику, использующую искусственный интеллект (ИИ) для улучшения прогнозирования оползней. Этот инновационный метод, описанный в статье, опубликованной в журнале Communications Earth & Environment, обеспечивает повышенную точность и интерпретируемость по сравнению с традиционными прогностическими моделями. Используя мощь ИИ, геологи стремятся защитить жизни и имущество в регионах, подверженных стихийным бедствиям, таких как Калифорния, где сочетание засух, лесных пожаров и землетрясений увеличивает риск разрушительных оползней.

Прогнозирование оползней — сложная задача, на которую влияет множество факторов, включая форму рельефа, уклон, площади водосбора, свойства почвы и коренных пород, а также такие условия окружающей среды, как климат, осадки, гидрология и движение грунта, вызванное землетрясениями. Традиционно геологи включают эти факторы в физические и статистические модели для оценки рисков оползней. Хотя эти модели могут обеспечивать достаточно точные прогнозы, физические модели требуют значительного времени и ресурсов и не подходят для масштабного применения. С другой стороны, статистические модели не обладают прозрачностью в отношении оценки факторов риска.

Использование ИИ для прогнозирования оползней

На протяжении многих лет исследователи обучали модели машинного обучения на основе ИИ, в частности глубокие нейронные сети (DNN), для прогнозирования оползней. Эти взаимосвязанные сети алгоритмов отлично справляются с обработкой огромных объемов данных и быстрым обучением на их основе, что приводит к высокой точности прогнозов. Однако у DNN есть ограничения в плане объяснения их прогнозов и выявления конкретных переменных, способствующих возникновению оползней.

Чтобы устранить ограничения DNN, исследователи из UCLA разработали метод, использующий тип ИИ, называемый суперпозиционной нейронной сетью (SNN). В отличие от DNN, SNN разделяют результаты от различных входных данных, что позволяет более эффективно анализировать наиболее важные факторы, способствующие стихийным бедствиям. Исследовательская группа подала в SNN данные о различных геопространственных и климатических переменных, относящихся к восточным Гималаям, региону, известному высокой частотой оползней. Модель SNN продемонстрировала точность, сопоставимую с DNN, при прогнозировании подверженности оползням, а также предоставила информацию о переменных, играющих значительную роль в результатах.

Распутывание переменных и сокращение вычислительных ресурсов

Способность модели SNN выявлять ключевые переменные и количественно оценивать их вклад в подверженность оползням предоставляет геологам ценную информацию. Кроме того, этот подход требует меньше вычислительных ресурсов по сравнению с DNN, что делает его эффективным и адаптируемым даже при ограниченных вычислительных мощностях. Исследователи подчеркнули, что их модель SNN может работать на таких небольших устройствах, как Apple Watch, что устраняет необходимость в мощных компьютерных серверах.

Будущие применения и системы раннего предупреждения

Исследовательская группа UCLA планирует расширить свою работу на другие регионы, подверженные оползням, по всему миру. Особенно в таких районах, как Калифорния, где сочетание частых лесных пожаров и землетрясений усугубляет риски оползней, новая модель прогнозирования на основе ИИ может помочь в разработке систем раннего предупреждения. Эти системы будут включать несколько сигналов и прогнозировать широкий спектр поверхностных опасностей, включая наводнения, для повышения готовности и эффективности реагирования.

Геологи из UCLA успешно применили технологию ИИ для революционного улучшения прогнозирования оползней. Их метод, использующий суперпозиционные нейронные сети, обеспечивает повышенную точность и интерпретируемость по сравнению с традиционными моделями. Выявляя ключевые переменные и количественно оценивая их вклад, этот подход на основе ИИ позволяет геологам лучше понимать факторы, влияющие на оползни. Благодаря возможности работы на устройствах с ограниченными вычислительными мощностями, эта модель имеет потенциал для улучшения систем раннего предупреждения и защиты жизней и имущества в регионах, подверженных оползням, по всему миру.