● 题目 ●
Titlle
期刊：Journal of Rock Mechanics and Geotechnical Engineering
作者：Hongzhi Qiu, Xiaoqing Chen, Peng Feng, Renchao Wang, Wang Hu, Liping Zhang, Alessandro Pasuto
年份：2024
●●● 摘要(Abstract)●●●
降雨引起的浅层滑坡是重大地质灾害之一，需要精确的监测和预测才能有效减轻灾害。大多数滑坡预测研究都集中在优化机器学习（ML）算法上，对提高数据质量以提高预测性能的关注非常有限。本研究采用战略数据增强（DA）技术来提高浅层滑坡预测的准确性。本文使用奇异谱分析（SSA）、移动平均（MA）、小波去噪（WD）、变分模态分解（VMD）和线性插值（LI）五种 DA 方法，利用平滑、去噪、趋势分解和合成数据生成等策略来改进训练数据集。采用人工神经网络（ANN）、循环神经网络（RNN）、一维卷积神经网络（CNN1D）和长短期记忆（LSTM）四种机器学习算法来预测滑坡位移。中国西南地区滑坡案例研究表明，尽管监测数据集本身存在局限性，但我们的方法在预测滑坡位移方面仍然有效。VMD 被证明是最有效的平滑和去噪方法，分别将 R2、RMSE 和 MAPE 提高了 172.16%、71.82% 和 98.9%。SSA 解决了缺失数据问题，而 LI 在数据样本有限的情况下非常有效，分别将指标提高了 21.6%、52.59% 和 47.87%。这项研究证明了 DA 技术在减轻数据缺陷对滑坡预测准确性的影响方面的潜力，并对类似案例具有启示意义。
●●● 图表(Figures)●●●
图：山体滑坡位置
图：2013 年至 2015 年的位移和降雨强度：（a）累计位移和月降水量，以及（b）变形率
图：滑坡变形数据特点：（a）XZG01监测点原始数据与平滑后数据对比；（b）8月20日至31日的缺失数据；（c）XZG01监测点原始数据、平滑后数据和去噪后数据对比；（d）XZG03监测点数据分解为随机性、周期性和趋势性三部分
图：基于DA的提高预测精度的流程图
图：采用不同的 DA 方法处理的变形率，移动窗口大小为 15，VMD 模式函数为 2，小波函数为 sym4
图：不同小波函数和阈值的去噪性能：（a，b，c）监测点XZG01，XZG02和XZG03的SNR改善率，以及（d，e，f）监测点XZG01，XZG02和XZG03的MSE
图：网络的 RMSE 和 MAPE 值的箱线图：(a, b, c) RMSE 和 (d, e, f) MAPE。橙色点表示箱线图中的异常值。
图：经MA和WD处理的滑坡变形速率：（a）窗口大小为15的MA处理后的数据；（b）经SymN处理后的数据
●●● 结论(Conclusions)●●●
本研究旨在探讨DA技术在利用神经网络预测浅层滑坡变形速率中的应用。我们采用了SSA、MA、WD、VMD和LI方法来提高变形速率数据的质量和容量。此外，还利用了四个ML模型来验证DA技术对预测精度的提高。主要结论可以总结如下:
(1)DA技术有效地增强了监测数据中的变形趋势特征。MA、WD和VMD方法都有助于平滑监测数据，使ML模型能够更好地识别和学习滑坡变形趋势，从而提高模型预测精度。平滑窗口、小波函数和IMF的选择对数据增强性能有不同的影响。
(2)SSA和插值方法在数据恢复和样本量扩展方面似乎很有前景。虽然SSA可能难以处理大量缺失数据，但它仍然是恢复时域尺度数据完整性的替代方法。相比之下，LI在不改变数据结构或模式的情况下显著提高了ML模型的预测精度。案例研究表明，LI 可使 R2 最大增加 21.6%，RSME 最大增加 52.59%，MAPE 最大增加 47.87%。
（3）虽然所选研究地点只是随机选择，但数据缺失和数据容量不足等问题在浅层滑坡监测中普遍存在。验证案例中数据增强技术的成功为提高浅层滑坡模型预测的准确性提供了新的视角。
● 参考文献 ●
●●● References ●●●
Qiu, H., Chen, X., Feng, P., Wang, R., Hu, W., Zhang, L. and Pasuto, A., 2024. Advancing predictive accuracy of shallow landslide using strategic data augmentation. Journal of Rock Mechanics and Geotechnical Engineering.
End
工程地质灾害与滑坡风险评估
engeomodel@gmail.com
● 扫码关注我们
Welcome
免责声明
本公众号推广所有论文，仅供学术交流，由于小编水平有限，摘要、图表均为原文内容，文字翻译部分仅代表小编个人理解，本公众号不具该原文的版权。在文献解读或作者简历介绍过程中如有疏漏，我们深表歉意，如涉及侵权问题或冒犯之处，请作者团队及时联系本公众号（邮箱），我们会在第一时间进行修改或删除，感谢您的谅解！
