基于地球物理卫星数据社区检测的滑坡预报
无序系统与神经网络
2023-07-19 v2 地球物理
摘要
由于暴雨等极端天气条件，天然山坡可能发生剧烈破坏；这些斜坡破坏也可能发生在干燥天气，因降雨与深部孔隙水压力变化间存在时间滞后，甚至在缓慢运动数天至数年后发生。尽管失稳前的形变在回溯时有时显而易见，但预测从渐进形变（蠕变）到失控破坏的突跃仍具挑战。我们使用一种网络科学方法——多层模块度优化——来研究 2017 年加州 Mud Creek 滑坡附近区域的形变时空模式。我们将研究区的卫星雷达数据转换为空间嵌入网络，其中节点为地块、边连接最近邻，一系列层表示卫星的连续过境。每条边的权重由从数字高程模型测得的局部坡度（失稳敏感性）与从干涉合成孔径雷达（InSAR）得到的地表形变（当前流变状态）的乘积确定。我们利用多层模块度优化识别强连接节点簇（社区），并能识别出 Mud Creek 及附近尚未失稳的蠕变滑坡的位置。我们开发了度量“社区持续性”来量化失稳前的地表形变模式，并发现该度量在 Mud Creek 失稳前数周从基线值上升。这些方法有望作为一种凸显灾难性失稳风险区域的技术。
引用
@article{arxiv.2212.12038,
title = {Forecasting landslides using community detection on geophysical satellite data},
author = {Vrinda Desai and Farnaz Fazelpour and Alexander L. Handwerger and Karen E. Daniels},
journal= {arXiv preprint arXiv:2212.12038},
year = {2023}
}
备注
10 pages, 7 figures