期刊：Geoscience Frontiers
作者：Lei-Lei Liu, Hao-Dong Yin, Ting Xiao, Lei Huang, Yung-Ming Cheng
年份：2024
研究亮点
1.动态预测背景下经典预测模型的缺陷
2.提出了一种集成系统来集成经典模型，以实现更高的预测质量
3.提出了一种“可信度指数”来评估动态预测下方法的预测质量
摘要
随着滑坡监测系统的发展，利用位移监测数据预测滑坡破坏时间的尝试越来越多。考虑滑坡位移特征以确定破坏时间的经典模型（如Verhulst、GM（1,1）和Saito模型）已被广泛研究。在实践中，监测是随着监测数据集的更新而不断实施的，这意味着预测的滑坡预期寿命（即预测的失稳时间与进行预测的每个时刻的时间节点之间的滞后）应随时间重新评估。这种方式被称为“动态预测”。然而，经典模型的性能尚未在动态预测的背景下进行讨论。本研究首先研究了这些性能，然后结合四个实际滑坡的监测数据，报告了经典模型的缺点。随后，提出了一种更合格的集成模型，其中单个经典模型通过基于机器学习（ML）的元模型进行集成。为了评估动态预测下模型的质量，提出了一种名为“信誉指数（β）”的新指标，β值越高，预测质量越低。研究发现，Verhulst和Saito模型将产生具有显著更高β的预测结果，而GM（1,1）模型将指示具有最高平均绝对误差的结果。同时，发现集成模型比经典模型更准确、更合格。在这里，基于决策树回归的集成模型的性能在各种基于机器学习的集成模型中是最好的。
图表
图：研究区域：（a）四次山体滑坡的位置；（b）黑房台滑坡卫星图像；（c）雷家山滑坡卫星图像；（d）卧龙寺滑坡卫星图像；（e）龙井村滑坡卫星影像
图：四个滑坡案例的累积位移监测数据。（a） 黑房台滑坡；（b） 雷家山滑坡；（c） 卧龙寺滑坡；（d） 龙井村滑坡
图：蠕变阶段示意图和模型建立的动态输入样本
图：滑坡预期寿命和受损区域示意图
图：经典预测模型预测结果的变化。（a–h）雷家山滑坡1号至8号GNSS站；（i） 黑房台滑坡；（j） 龙井村滑坡；（k） 卧龙寺滑坡
图：四级预警机制下滑坡预期寿命预测。（a） 利用经典模型预测雷家山滑坡7号GNSS站；（b） 利用经典模型预测雷家山滑坡GNSS 8号站；（c） 利用集成模型预测雷家山滑坡7号GNSS站；（d） 利用集成模型预测雷家山滑坡GNSS 8号站
图：SHAP对经典预测模型的输出如何影响集成系统预测结果的分析结果
结论
本文研究了经典预测模型（即Verhulst、GM（1,1）和Saito模型）在滑坡预期寿命动态预测中的性能，结合了四个实际滑坡案例的11个时间序列的测量累积位移。为了在动态预测的背景下实现更高的预测精度和质量，提出了一种集成系统，其中经典预测模型由基于ML的元模型集成。此外，为了评估动态预测下预测模型的质量，在当前的工作中引入了可信度指数，可信度指数的值越高，预测质量越低。本研究的主要发现总结如下：
1.本研究在动态预测下体现了经典预测模型的不足。在这里，Saito和Verhulst模型产生了具有高可信度指数的滑坡预期寿命预测结果，这意味着这些模型在动态预测下的性能不足。此外，GM（1,1）模型的预测精度在各种模型中最低。
2.通过在集成系统的框架下进行集成，可以提高经典预测模型的预测精度和质量。此外，在滑坡四级预警机制下，集成模型比经典预测模型更适用。在这里，当预测工作紧急时，集成模型的预测精度在橙色和红色预警信号下是足够的。相比之下，经典预测模型在橙色预警信号下的预测精度仍然很差。
3.关于在集成系统中建立元模型的ML算法的性能，DTR在各种ML算法中表现最佳。相比之下，FNN的性能最差。
参考文献
Liu L L, Yin H D, Xiao T, et al. Dynamic prediction of landslide life expectancy using ensemble system incorporating classical prediction models and machine learning[J]. Geoscience Frontiers, 2024, 15(2): 101758.
投稿｜engeomodel@gmail.com
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，感谢您的理解！
