Как искусственный интеллект помогает лучше прогнозировать оползни в Миннесоте

Оползни представляют собой серьезную геологическую опасность, ежегодно нанося значительный ущерб инфраструктуре и приводя к человеческим жертвам. В Миннесоте, регионе с ландшафтом, сформированным ледниковой деятельностью, эти явления остаются плохо картографированными на региональном уровне. Недавнее исследование использовало передовые методы искусственного интеллекта для создания первой детальной карты зон риска в этом американском штате.

Пять моделей машинного обучения и глубокого обучения были сравнены для выявления наиболее уязвимых зон. Среди них две методики показали особую эффективность: случайные леса и специализированная нейронная сеть под названием TabKANet. Эти модели анализировали данные, такие как уклон, высота, использование земель и осадки. Результаты показывают, что крутые склоны и низменные зоны наиболее уязвимы, но местные факторы, такие как концентрация воды или деятельность человека, также могут играть решающую роль.

В исследовании также использовалась техника под названием SHAP, чтобы объяснить, как каждый фактор влияет на риск. Например, более крутой уклон явно увеличивает вероятность оползня, в то время как более низкая высота, часто связанная с перенасыщенными водой почвами, также усугубляет ситуацию. Однако на местности другие элементы, такие как дренаж или изменения ландшафта человеком, могут становиться определяющими.

Одним из главных нововведений этого исследования стало использование «контрфактов» — метода, моделирующего изменения, необходимые для стабилизации нестабильной зоны. Например, уменьшение уклона, улучшение дренажа или укрепление растительного покрова может быть достаточно для предотвращения оползня. Эти инструменты помогают властям расставлять приоритеты в профилактических мерах и лучше понимать действующие механизмы.

Такой подход сочетает точность и прозрачность, предоставляя специалистам по управлению рисками и градостроителям надежную основу для принятия обоснованных решений. Он может быть применен и в других регионах мира, сталкивающихся с аналогичными проблемами, улучшая тем самым безопасность населения и устойчивость инфраструктуры.

Sources et crédits

Étude source

DOI : https://doi.org/10.1007/s41748-026-01114-6

Titre : Explainable AI (xAI) for Landslide Susceptibility Modeling: A Comparative Analysis of Machine Learning and Deep Learning Approaches

Revue : Earth Systems and Environment

Éditeur : Springer Science and Business Media LLC

Auteurs : Ambikesh Dwivedi; Surya Sarat Chandra Congress; Raul Velasquez; Prince Kumar; Ujwalkumar Patil