面向降雨预测不确定性的土石流早期预警——学习位移鲁棒表征
机器学习
2026-05-19 v1 人工智能
摘要
降雨诱发的土石流在气候变化加剧极端降雨事件的背景下正扮演日益增长的全球风险角色。为提供充足的疏散时间，土石流早期预警系统（LEWS）必须通过整合观测降雨与来自时空环境数据流的短期降雨预测，来估计近未来土石流风险。尽管近期土石流预测方法在统计和深度学习方法上已取得预测性能的提升，但大多数方法假设降雨输入准确。在实际运营中，土石流预测依赖于降雨预测，而这些预测常因降雨场的空间位移而包含误差。这种位移会改变局部累积降雨并降低预测精度。为解决此挑战，我们提出一种面向降雨场位移的 novel LEWS。核心思想是从降雨和地形数据中学习保持稳定于降雨场位移的潜在表征，使可靠的地理空间数据集成成为可能，从而实现土石流风险估计。土石流预测模型采用 Rainfall-Motion-Aware Contrastive Learning（RMCL）进行训练，该方法引入时序相关的降雨场扰动以模拟降雨驱动的时空环境数据流中的预测位移。我们使用覆盖日本19个地区、持续两年的降雨和地形数据进行实验。该系统相较于最先进的基线方法实现了最高37%的精度提升。这些结果表明，建模降雨作为移动空间场并在学习过程中处理降雨场位移，显著改善了operational早期预警系统中短期土石流预测的可靠性。
引用
@article{arxiv.2605.17419,
title = {Learning Displacement-Robust Representations for Landslide Early Warning under Rainfall Forecast Uncertainty},
author = {Ren Ozeki and Hamada Rizk and Hirozumi Yamaguchi},
journal= {arXiv preprint arXiv:2605.17419},
year = {2026}
}