地震波能够震动山区地貌，引发数千次滑坡。区域规模的滑坡模型主要依赖于通过简化地面运动时间序列为峰值标量值获得的震动强度参数。这种方法忽略了地面运动相位和振幅及其在空间和时间上的变化的贡献。通过开发一个可解释的深度学习模型来解决这个问题，该模型能够处理整个波场，并将其与装备有标量强度参数的模型进行基准测试。
荷兰特文特大学研究人员利用深度神经网络和变压器组件开发了用于数据驱动的同震滑坡建模的Mod3模型。该模型旨在捕获地震信号的全部特征，包括地震传播期间的相位和振幅变化。它包含输入变量，例如地面运动强度参数、时间序列数据和地形信息。将Mod3的性能与替代模型（包括使用标量地面运动估计值和滤波波形的模型）进行了比较。模型的评估是使用各种评分方法完成的，例如准确度分数、F1分数和相交集合（IOU）分数。通过研究地震波形中不同时间步长和方向的贡献，分析了Mod3的可解释性。研究强调了传统方法在同震滑坡建模中的局限性，并强调了在地震发生后的几分钟内了解失效机制以预测所有事件的重要性。在2015年尼泊尔7.8级地震影响区域进行的实验显示，当纳入完整波形时，预测能力提高了16%。这种改进主要在低地震动（约0.2米/秒）影响的缓坡（约25°）上实现。
研究发现还可以将这种改进主要归因于峰值速度到达前后的地面运动。这突显了单一强度测量的局限性和完整波形信息的未开发潜力。相关研究成果发表于《Communications Earth &
Environment》[1]期刊。
[1] Full Seismic Waveform Analysis
Combined With Transformer Neural Networks Improves Coseismic Landslide
Prediction
