山体滑坡难以预测,人工智能可以帮上忙吗

澳大利亚团队在本月发表的 一项研究 说,他们找到了预测山体滑坡的办法,至少提前两周发现灾情,从而让受害居民有时间撤离。 很多机构都会采用陆地滑坡预警系统 EWS进行监测。这项系统通过预置雷达来监测土地运动的数据。通过数据,工程师可以观察到坑壁运动的空间分布,及其随时间流逝而产生的变化,当数据异常时,便可以检测自然和人造斜坡中的滑坡前兆。 但这种方法也存在缺陷,比如观察者只能依据经验,聚焦于个别可疑的斜坡,因为该方法不能解释斜坡运动与影响因素之间究竟有什么关系,也就不能用于大范围的预测。 澳大利亚团队的新成果完善了 EWS?系统以上的问题。 他们也是通过搭建雷达来搜集土地的运动数据, 这些数据可以生成非常详细的斜坡表面运动信息。但除了山体自身的数据,这套系统还整合了其他诸如降雨、土地侵蚀等因素的数据 ,精确度更高,维度更丰富。 在此基础上,他们又借助 X 射线与数字化技术对区域进行扫描成像,数据与图像结合,形成了一个相较 EWS 系统来说更为复杂的监测网络。

实验数据图表,图片来自研究报告 A data-driven complex systems approach to early prediction of landslides 不过,团队的目的并非记录数据这么简单。他们还希望通过实验,来测算出影响因素与土地运动之间的关系,量化出不同情况下空间变化与时间持久性的关系 —— 在强降雨时,要经过多长时间会在哪里出现滑坡?出现滑坡时,数据将如何变化? 在实验中,团队仿照实际的山地,搭建了一个观测模型,位移以毫米为精度来测量,并且在三周的实验时间内每隔 6 分钟更新一次数据。根据数据形成的图形,可以看到随着时间的变化,代表着土壤颗粒的黑色方块逐渐形成了一个拱形,类似滑坡边界。

实验数据图表,图片来自研究报告 A data-driven complex systems approach to early prediction of landslides 这个拱形持续存在,但是位置并不固定。它略微前后移动,且主要是向斜坡的中间移动。拱形的集体运动与拱形右下角的细小变化,与山体滑坡前观察到的细小运动一致。两周后,变化处果然发生了滑坡。 团队将此数据记录在案。在随后不断地模拟中, 他们将这些变化的数据一一映射到他们所设计的复杂网络中。 根据测算结果,团队所开发的模型可以提前两周准确预测滑坡的位置,从而对滑坡进行风险评估。 虽尚未在现实中投入应用,但该项研究的领导之一、墨尔本大学数学与统计学院教授 Antoinette Tordesillas很有信心。她希望在未来,团队的研究成果可以通过小型便携式设备,甚至是手机来收集数据,让更多的人随时获取对更多地点的监控。 题图来自 Pixabay 我们做了一个壁纸应用,给你的手机加点好奇心。去 App 商店搜好奇怪下载吧。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180908A0Y10S00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券

年度创作总结 领取年终奖励