基于多参数实验数据使用机器学习模型预测野火后泥石流发生
机器学习
2026-02-13 v1 软凝聚态物质
摘要
野火后泥石流因野火（包括野火-城市接口区域的野火）而日益危险。燃烧后，土壤表层或紧随其下的土壤会呈现疏水性，这一现象主要发生在基于砂土的坡面上。雨水和被侵蚀的土壤覆盖在坡度更大的下方，导致灾难性冲积流。土壤疏水性增强侵蚀，导致野火后冲积流与自然泥石流在强度、持续时间和破坏力度上不同。因此，理解冲积流发生的时间和条件至关重要，这些条件由关键参数的耦合作用决定：不同的雨强 (RI)、坡度、入水值以及粒径 (D50)。机器学习 (ML) 技术因能够在没有预定义假设的情况下建模复杂系统而日益在岩土工程中具有重要价值。本研究应用多种 ML 算法：多变量线性回归 (MLR)、逻辑回归 (LR)、支持向量分类器 (SVC)、K 均值聚类和主成分分析 (PCA) 来预测和分类实验室实验的结果，这些实验在雨滴装置上用于各种坡面 flume 中的土壤，以模拟场地条件。虽然 MLR 有效预测总排放，但对侵蚀的预测不够准确，特别是针对粗砂。LR 和 SVC 在分类失败结果方面取得良好准确率，聚类和降维支持这一结果。敏感性分析揭示，细砂对侵蚀极其敏感，尤其是在低强度、持续时间较长的雨中。结果还表明，高强度雨的前 10 分钟对排放和失败最为关键。这些发现突显了机器学习在野火后危险性评估和紧急响应规划中的潜力。
引用
@article{arxiv.2602.11194,
title = {Predicting the post-wildfire mudflow onset using machine learning models on multi-parameter experimental data},
author = {Mahta Movasat and Ingrid Tomac},
journal= {arXiv preprint arXiv:2602.11194},
year = {2026}
}