知识融合深度学习实现可解释滑坡预报
机器学习
2023-07-19 v1 应用统计
摘要
由于内外多种因素，预报滑坡随时间演化方式或是否失稳是一项艰巨任务。尽管深度学习技术解决这些挑战潜力可观，但其缺乏可解释性，削弱了所产生预报的可信度。近期基于transformer的深度学习发展为以空前的可解释性与非线性特征学习能力预报滑坡提供了未开发的可能。在此，我们提出一种能够整体预报滑坡行为的深度学习流水线，其采用名为LFIT的基于transformer的网络，从先验知识与多源数据中学习复杂非线性关系，识别最相关变量，并展示对滑坡演化与时间模式的全面理解。通过融合先验知识，我们提升了整体滑坡预报能力，使我们能捕捉不同局部滑坡区对各种影响因子的多样响应。利用形变观测作为衡量滑坡动力学的代理，我们通过训练模型预报三峡水库的水库滑坡与青藏高原的蠕变滑坡来验证我们的方法。当引入先验知识时，我们表明可解释滑坡预报能有效识别各滑坡的影响因子，并进一步阐明局部区域如何响应这些因子，使滑坡行为与趋势更具可解释性与可预报性。本研究的发现将以新方式增进对滑坡行为的理解，并使所提方法未来适用于受内外因素驱动的其他复杂灾害。
引用
@article{arxiv.2307.08951,
title = {Knowledge-infused Deep Learning Enables Interpretable Landslide Forecasting},
author = {Zhengjing Ma and Gang Mei},
journal= {arXiv preprint arXiv:2307.08951},
year = {2023}
}