Наука: прогнозирование риска оползней с помощью моделей машинного обучения

Разработка более точного и динамичного подхода, позволяющего точнее прогнозировать вероятность оползней. Этой цели посвящено исследование, опубликованное в журнале Geophysical Research Letters и проведенное учеными Северо-Западного университета и Калифорнийского университета в Лос-Анджелесе. Группа под руководством Чусюаня Ли и Дэниела Э. Хортона разработала систему, которая использует гидрологические предикторы для более точного прогнозирования риска оползней. Эксперты объясняют, что традиционные методы основаны на анализе интенсивности осадков. Новый подход, как сообщают авторы, объединяет различные процессы, связанные с водой, с моделью машинного обучения. Эта система обеспечивает более глубокое понимание причин этих разрушительных событий. Дальнейшее развитие новой системы может помочь улучшить системы раннего оповещения, направлять планирование рисков и совершенствовать стратегии повышения устойчивости к изменению климата в регионах, уязвимых к оползням. «Наша модель, — говорит Ли, — учитывает широкий спектр факторов, позволяя нам выявлять различные пути, ведущие к оползням. На самом деле, эти события не все одинаковы и могут зависеть от различных идеологических процессов».

В рамках исследования исследователи проанализировали экстремальные погодные условия в Калифорнии за месяц. Зимой 2022–2023 годов в регионе произошло более 600 оползней, а девять рек вызвали катастрофические наводнения. Исследователи использовали компьютерную модель, имитирующую движение воды в окружающей среде, включая просачивание осадков в почву, поверхностный сток, испарение, а также замерзание или таяние снега и льда. Используя результаты модели, исследовательская группа разработала метрику под названием «состояние водного баланса» (WBS) для оценки избытка воды в данной местности. Машинное обучение группирует похожие оползни на основе условий, характерных для данной местности. Используя этот метод, они выявили три основных пути, приводящих к оползням в Калифорнии: сильные ливни, выпадение осадков на уже пропитанной водой почве и таяние снега или льда. По оценкам команды , примерно 32% оползней были вызваны сильными, кратковременными ливнями, 53% случаев были связаны с выпадением осадков на переувлажнённой почве, а 15% — с таянием снега или льда. «Избыточная влажность сыграла ключевую роль в возникновении оползня, — заключает Хортон, — что особенно опасно на крутых склонах. Наша система смогла точно определить условия, благоприятствующие возникновению оползней. Наша конечная цель — разработать инструмент, способный делать прогнозы».