山体滑坡难以预测，人工智能可以帮上忙吗

澳大利亚团队在本月发表的 一项研究 说，他们找到了预测山体滑坡的办法，至少提前两周发现灾情，从而让受害居民有时间撤离。 很多机构都会采用陆地滑坡预警系统 EWS进行监测。这项系统通过预置雷达来监测土地运动的数据。通过数据，工程师可以观察到坑壁运动的空间分布，及其随时间流逝而产生的变化，当数据异常时，便可以检测自然和人造斜坡中的滑坡前兆。 但这种方法也存在缺陷，比如观察者只能依据经验，聚焦于个别可疑的斜坡，因为该方法不能解释斜坡运动与影响因素之间究竟有什么关系，也就不能用于大范围的预测。 澳大利亚团队的新成果完善了 EWS?系统以上的问题。 他们也是通过搭建雷达来搜集土地的运动数据， 这些数据可以生成非常详细的斜坡表面运动信息。但除了山体自身的数据，这套系统还整合了其他诸如降雨、土地侵蚀等因素的数据 ，精确度更高，维度更丰富。 在此基础上，他们又借助 X 射线与数字化技术对区域进行扫描成像，数据与图像结合，形成了一个相较 EWS 系统来说更为复杂的监测网络。

实验数据图表，图片来自研究报告 A data-driven complex systems approach to early prediction of landslides 不过，团队的目的并非记录数据这么简单。他们还希望通过实验，来测算出影响因素与土地运动之间的关系，量化出不同情况下空间变化与时间持久性的关系 —— 在强降雨时，要经过多长时间会在哪里出现滑坡？出现滑坡时，数据将如何变化？ 在实验中，团队仿照实际的山地，搭建了一个观测模型，位移以毫米为精度来测量，并且在三周的实验时间内每隔 6 分钟更新一次数据。根据数据形成的图形，可以看到随着时间的变化，代表着土壤颗粒的黑色方块逐渐形成了一个拱形，类似滑坡边界。

实验数据图表，图片来自研究报告 A data-driven complex systems approach to early prediction of landslides 这个拱形持续存在，但是位置并不固定。它略微前后移动，且主要是向斜坡的中间移动。拱形的集体运动与拱形右下角的细小变化，与山体滑坡前观察到的细小运动一致。两周后，变化处果然发生了滑坡。 团队将此数据记录在案。在随后不断地模拟中， 他们将这些变化的数据一一映射到他们所设计的复杂网络中。 根据测算结果，团队所开发的模型可以提前两周准确预测滑坡的位置，从而对滑坡进行风险评估。 虽尚未在现实中投入应用，但该项研究的领导之一、墨尔本大学数学与统计学院教授 Antoinette Tordesillas很有信心。她希望在未来，团队的研究成果可以通过小型便携式设备，甚至是手机来收集数据，让更多的人随时获取对更多地点的监控。 题图来自 Pixabay 我们做了一个壁纸应用，给你的手机加点好奇心。去 App 商店搜好奇怪下载吧。