Ученые разработали динамический метод прогнозирования оползней с использованием гидрологических данных и машинного обучения
Ученые из Северо-Западного университета и Калифорнийского университета в Лос-Анджелесе (UCLA) разработали новый процессно-ориентированный подход, который обеспечивает более точное и динамичное прогнозирование оползней на больших территориях.
В отличие от традиционных методов, часто основанных только на интенсивности осадков, новый подход объединяет различные водные процессы с моделью машинного обучения. Учитывая разнообразные, а иногда и усиливающие друг друга факторы, этот подход дает более надежное понимание причин этих разрушительных событий. В дальнейшем он может помочь улучшить системы раннего предупреждения, информировать планирование рисков и усилить стратегии адаптации к изменению климата в уязвимых регионах, что в конечном итоге может спасти жизни и предотвратить ущерб.
Исследование "Mixed hydrometeorological processes explain regional landslide potential" опубликовано в Geophysical Research Letters. "Текущие системы раннего предупреждения, как правило, используют информацию об исторических событиях осадков и оползнях, — сказал ведущий автор исследования Чуксюань Ли. — Поскольку они основаны на исторических данных, они не учитывают меняющийся климат. Наша модель учитывает более широкий спектр факторов, поэтому мы можем выявить более разнообразные пути, ведущие к оползням на большом пространственном масштабе".
Чтобы понять механизмы широкомасштабных оползней, команда изучила экстремальные погодные условия в Калифорнии зимой 2022–2023 годов, когда штат испытал беспрецедентную "параду" из девяти последовательных атмосферных рек, вызвавших катастрофические наводнения и более 600 оползней. Ученые использовали общедоступную компьютерную модель, которая симулирует движение воды в окружающей среде. На основе выходных данных модели они разработали метрику "статус водного баланса" (WBS), оценивающую избыток воды в конкретной области.
Применив метод машинного обучения для группировки схожих оползней, исследователи выявили три основных пути, приведших к оползням в Калифорнии: интенсивные ливни (около 32% событий), умеренные дожди на уже насыщенных предыдущими штормами почвах (53%) и таяние снега или льда (15%). Они обнаружили, что подавляющее большинство (89%) оползней произошло в областях с положительным значением WBS, что подтвердило точность метрики.
"Хотя это исследование смотрит назад, чтобы понять прошлое событие, наша конечная цель — использовать метод для прогнозов, — сказал старший автор исследования Дэниел Э. Хортон из Северо-Западного университета. — Мы планируем использовать эту модель в сочетании с моделями прогноза погоды". Ученые подчеркивают, что по мере изменения климата прогностические системы становятся как никогда важными, поскольку более теплый воздух может удерживать больше водяного пара, что приводит к более интенсивным осадкам и, как следствие, к более опасным наводнениям и оползням.