Yuansan Liu

新的机器学习框架增强了边坡失稳的早期检测能力

研究人员开发了一种名为时空局部内在维度（st-LID）的无监督机器学习框架，以改进灾难性边坡失稳的早期检测。该方法通过纳入速度来捕捉形变速率，并使用贝叶斯空间融合来聚合邻域数据，考虑噪声和空间相关性，从而增强了传统的LID。此外，一个时间建模组件（t-LID）表征了长期的位移动态，能够识别当前方法经常遗漏的复杂、多阶段失稳区域。实验表明，与现有的无监督技术相比，st-LID在检测精度和预警提前量方面表现更优，为滑坡早期预警系统提供了更坚实的基础。