加州大学地质学家利用人工智能新技术来预测山体滑坡

加州大学洛杉矶分校地质学家开发了一项新技术，该技术可以使用人工智能来更好地预测山体滑坡的发生地点和原因，可以加强保护世界上一些最容易发生灾害的地区以及对生命和财产的保护。

发表在《通信地球与环境》杂志上的一篇论文，其中描述的新方法提高了准确性和可解释性，所需的计算能力要少得多，并且比传统的预测模型更广泛适用。

研究人员表示，这种方法在加利福尼亚州等地尤其具有价值，那里的干旱、野火和地震是山体滑坡灾难的完美配方，随着气候变化带来更强烈和更潮湿的风暴，情况预计会变得更糟。

山体滑坡的发生地点会受许多因素会影响，包括地形的形状、坡度和排水区域、土壤和基岩的物质特性，以及地震造成的气候、降雨、水文和地面运动等环境条件。有这么多的变量，预测一块山地何时何地可能失去控制，就像一门科学一样。

一般来说，地质学家是通过将这些因素纳入物理和统计模型来估计一个地区的滑坡风险。有了足够的数据，这些模型可以实现合理准确的预测。但物理模型是时间和资源密集型的，不能应用于广泛的领域。并且统计模型几乎没有深入了解它们，如何评估各种风险因素来得出预测呢？

使用人工智能预测山体滑坡

近年来，研究人员训练了被称为深度神经网络（DNN）的人工智能机器学习模型来预测山体滑坡。当提供大量滑坡相关变量和历史滑坡信息时，这些庞大的互联算法网络可以非常快速地处理和“学习”这些数据，从而做出高度准确的预测。

然而，尽管DNN在处理时间和学习能力方面具有优势，但与统计模型一样，它们并没有“展示它们的工作过程”，这使得研究人员很难解释它们的预测，也很难知道在试图预防未来可能发生的滑坡时应针对哪些致病因素。

地球、行星和空间科学博士、该期刊论文的联合第一作者Kevin Shao说，DNN将提供可能准确的山体滑坡的百分比可能性，但我们无法弄清楚为什么以及哪些特定变量在造成山体滑坡方面最为重要。

前生物医学工程学生、加州大学洛杉矶分校博士后研究员哈立德·优素福（音）表示，问题在于DNN的各种网络层在过程中不断相互渗透，不可能解开它们的分析。加州大学洛杉矶分校研究人员的新方法旨在解决这一问题。

Youssef和Shao与加州大学洛杉矶分校行星、地球和空间科学副教授Seulgi Moon以及加州大学洛杉矶分校化学和生物工程教授Louis Bouchard合作，开发了一种方法，可以将DNN的分析能力与其复杂的适应性脱钩，以提供更可操作的结果。

他们的方法使用一种称为叠加神经网络（SNN）的人工智能，其中网络的不同层相互连接——保留评估数据输入和输出结果之间复杂关系的能力——但只是在最后收敛以产生预测。

研究人员向SNN提供了与东喜马拉雅山脉相关的15个地理空间和气候变量的数据。选择该地区是因为山体滑坡造成的大部分人员损失发生在亚洲，其中很大一部分发生在喜马拉雅山。SNN模型能够预测喜马拉雅地区的山体滑坡易感性，其准确性可与DNN相媲美，但最重要的是，研究人员可以挑出变量，看看哪些变量在结果方面发挥了更大的作用。

研究人员的新人工智能程序需要的计算机资源也比DNN少得多，并且可以在相对较少的计算能力下有效运行。

该团队计划将他们的工作扩展到世界其他容易滑坡的地区。例如，在加利福尼亚州，山体滑坡风险因频繁的野火和地震而加剧，在类似地区，新系统可能有助于开发早期预警系统，该系统可以解释大量信号，并预测一系列其他地表危害，包括洪水。

本文由升哲科技编译，转载请注明