深度学习与极值统计的交汇：滑坡危险性定义的形式化
机器学习
2024-01-26 v1 地球物理
应用统计
机器学习
摘要
最广泛采用的滑坡危险性定义结合了关于滑坡位置（易发性）、威胁（强度）和频率（重现期）的空间信息。在大范围区域工作时，通常只考虑和估计前两个要素。即便如此，独立模型仍是标准做法，频率很少被研究。频率和强度相互交织、相互依赖，因为规模较大的事件发生频率较低，反之亦然。然而，由于缺乏多时相编目和联合统计模型，通过统一的风险模型对此类属性进行建模一直具有挑战性，且尚未有人尝试。在此，我们开发了一个统一模型，在斜坡单元层面估计滑坡危险性，以填补这些空白。我们采用深度学习，并结合一个由极值理论驱动的模型，分析了尼泊尔30年观测到的降雨触发滑坡编目，并评估了多个重现期的滑坡危险性。我们还利用我们的模型，进一步探讨了在直至本世纪末的不同气候变化情景下，相同重现期的滑坡危险性。结果表明，所提出的模型表现优异，可用于以统一的方式模拟滑坡危险性。从地貌学角度看，我们发现在两种气候变化情景（SSP245和SSP885）下，喜马拉雅山低海拔地区的滑坡危险性平均可能增加两倍，而喜马拉雅山中部地区保持不变，喜马拉雅山高海拔地区则略有下降。
引用
@article{arxiv.2401.14210,
title = {At the junction between deep learning and statistics of extremes: formalizing the landslide hazard definition},
author = {Ashok Dahal and Raphaël Huser and Luigi Lombardo},
journal= {arXiv preprint arXiv:2401.14210},
year = {2024}
}