地质学家利用人工智能增强山体滑坡预测

加州大学洛杉矶分校 (UCLA) 的地质学家开发了一种开创性的技术，利用人工智能 (AI) 来改善山体滑坡的预测。这种创新方法在一篇发表于《Communications Earth & Environment》的论文中进行了描述，与传统预测模型相比，它提供了更高的准确性和可解释性。通过利用人工智能的力量，地质学家旨在保护易受自然灾害影响的地区（如加利福尼亚州）的生命和财产安全，在那里，干旱、野火和地震的叠加增加了灾难性山体滑坡的风险。

预测山体滑坡的发生是一项复杂的任务，受多种因素影响，包括地形形状、坡度、排水区域、土壤和基岩特性，以及气候、降雨、水文和地震引起的地面运动等环境条件。地质学家传统上将这些因素纳入物理和统计模型中以估算山体滑坡风险。虽然这些模型可以提供相当准确的预测，但物理模型需要大量的时间和资源，不适合大规模应用。另一方面，统计模型在风险评估因素方面缺乏透明度。

利用人工智能进行山体滑坡预测

多年来，研究人员一直在训练人工智能机器学习模型，特别是深度神经网络 (DNN)，以预测山体滑坡。这些相互连接的算法网络擅长处理海量数据并快速从中学习，从而产生高度准确的预测。然而，DNN 在解释其预测和识别导致山体滑坡发生的具体变量方面存在局限性。

为了解决 DNN 的局限性，UCLA 研究人员开发了一种利用称为叠加神经网络 (SNN) 的人工智能类型的方法。与 DNN 不同，SNN 将来自不同数据输入的结果分开，从而允许对导致自然灾害的最重要贡献因素进行更有用的分析。研究团队向 SNN 输入了与喜马拉雅山脉东部相关的各种地理空间和气候变量数据，该地区以高频率的山体滑坡而闻名。SNN 模型在预测山体滑坡易发性方面的准确性与 DNN 相当，同时还提供了对结果中起重要作用的变量的见解。

解开变量并减少计算资源

SNN 模型识别关键变量并量化其对山体滑坡易发性贡献的能力，为地质学家提供了宝贵的见解。此外，与 DNN 相比，这种方法所需的计算机资源更少，使其即使在计算能力有限的情况下也能高效且适应性强。研究人员强调，他们的 SNN 模型可以在像 Apple Watch 这样的小型设备上运行，从而无需强大的计算机服务器。

未来应用和早期预警系统

UCLA 研究团队计划将其工作扩展到全球其他易发生山体滑坡的地区。特别是在加利福尼亚州等地区，频繁的野火和地震加剧了山体滑坡风险，新的 AI 预测模型有助于开发早期预警系统。这些系统将整合多种信号并预测一系列地表灾害，包括洪水，以加强准备和应对工作。

UCLA 的地质学家已成功采用人工智能技术彻底改变山体滑坡预测。他们利用叠加神经网络的方法，与传统模型相比提供了更高的准确性和可解释性。通过识别关键变量并量化其贡献，这种人工智能方法使地质学家能够更好地理解影响山体滑坡的因素。由于能够在计算能力有限的设备上运行，该模型有望增强早期预警系统，并保护全球易发生山体滑坡地区的生命和财产。