Towards physics-informed neural networks for landslide prediction

几十年来，区域尺度滑坡预测的解决方案大多依赖于数据驱动模型，这些模型与破坏机制的物理学定义上是不相关的。这些工具的成功和普及来自于利用代理变量而不是明确的岩土工程变量，因为后者在广阔的景观中是难以获取的。我们的工作实现了一种物理信息神经网络（PINN）方法，从而在标准数据驱动架构中添加了一个中间约束，以解决Newmark稳定性方法中典型的永久变形。这意味着神经网络的任务是从常见的代理变量中明确检索岩土工程参数，然后针对可用的余震滑坡清单最小化损失函数。结果非常有希望，因为我们的模型不仅以标准易感性输出的形式产生出色的预测性能，而且在此过程中还生成了预期的区域尺度岩土工程特性图。因此，这种架构被设计用于解决余震滑坡预测问题，如果在其他研究中得到证实，可能会开启基于PINN的近实时预测的大门。

论文旨在通过物理学知识，解决区域级滑坡预测的问题。

论文采用物理信息神经网络（PINN）方法，结合数据驱动模型和物理学约束，从常见的代理变量中获取地质技术参数，并最小化与可用的余震滑坡清单相关的损失函数。

该模型不仅能够产生标准易感性输出的卓越预测性能，还能在区域尺度上生成预期地质技术特性的地图。这种架构因此被设计用于处理余震滑坡预测，如果在其他研究中得到证实，可能会开启基于PINN的近实时预测。

最近的相关研究包括：1. 'A comparison of machine learning algorithms for landslide susceptibility mapping: a case study in the Three Gorges Reservoir Area, China' 2. 'Landslide susceptibility mapping using machine learning algorithms and GIS-based data: a case study from the Eastern Himalayas, India'