Speech-recognition in landslide predictive modelling: A case for a next generation early warning system

Abstract

Les alertes précoces traditionnelles contre les glissements de terrain sont basées sur la notion que les relations intensité-durée peuvent être approximées à des valeurs de précipitations uniques cumulées sur des fenêtres temporelles fixes. Ici, nous assumons une tâche similaire en nous inspirant des architectures de modélisation typiques des tâches de reconnaissance vocale. Nous visons à classer le paysage turc en grilles de 5 km assignées avec une estimation de la susceptibilité aux glissements de terrain. Nous avons recueilli toutes les informations nationales disponibles sur les glissements de terrain induits par les précipitations. Ces informations sont transmises à une mémoire à long terme équipée de l'ensemble des séries chronologiques des précipitations, obtenues à partir des données quotidiennes des GAZOUILLIS. Nous testons ce modèle en randomisant les données de présence/absence pour représenter l'instabilité de la pente sur la Turquie et sur les 13 années considérées (2008–2020) et en évaluant différentes fenêtres temporelles. Les résultats montrent que l'inclusion du signal de précipitation complet plutôt que son approximation scalaire conduit à une augmentation substantielle de la puissance de prédiction (environ 20%). Cela pourrait potentiellement ouvrir la voie à une nouvelle génération de systèmes d'alerte précoce aux glissements de terrain basés sur la reconnaissance vocale.Las alertas tempranas tradicionales de deslizamientos de tierra se basan en la noción de que las relaciones intensidad-duración pueden aproximarse a valores únicos de precipitación acumulados en ventanas de tiempo fijas. Aquí, asumimos una tarea similar inspirándonos en las arquitecturas de modelado típicas de las tareas de reconocimiento de voz. Nuestro objetivo es clasificar el paisaje turco en cuadrículas de 5 km asignadas con una estimación de susceptibilidad a deslizamientos de tierra. Recopilamos toda la información nacional disponible sobre los deslizamientos de tierra provocados por las precipitaciones. Esta información se pasa a una Memoria Larga a Corto Plazo equipada con toda la serie temporal de precipitaciones, obtenida a partir de datos de CHIRRIDOS diarios. Probamos este modelo aleatorizando los datos de presencia/ausencia para representar la inestabilidad de la pendiente en Turquía y durante 13 años bajo consideración (2008–2020) y evaluando diferentes ventanas de tiempo. Los resultados muestran que la inclusión de la señal de precipitación completa en lugar de su aproximación escalar conduce a un aumento sustancial en el poder de predicción (aproximadamente 20%). Esto podría allanar el camino para una nueva generación de sistemas de alerta temprana de deslizamientos basados en el reconocimiento de voz.Traditional landslide early warnings are based on the notion that intensity-duration relations can be approximated to single precipitation values cumulated over fixed time windows. Here, we take on a similar task being inspired by modeling architectures typical of speech-recognition tasks. We aim at classifying the Turkish landscape into 5 km grids assigned with a landslide susceptibility estimate. We collected all available national information on precipitation-induced landslide occurrences. This information is passed to a Long Short-Term Memory equipped with the whole rainfall time series, obtained from daily CHIRPS data. We test this model randomizing the presence/absence data to represent the slope instability over Turkey and over 13 years under consideration (2008–2020) and assessing different time windows. Results show that the inclusion of the full precipitation signal rather than its scalar approximation leads to a substantial increase in prediction power (approximately 20%). This may potentially pave the road for a new generation of speech-recognition-based landslide early warning systems.تستند التحذيرات المبكرة التقليدية من الانهيارات الأرضية إلى فكرة أنه يمكن تقريب العلاقات بين الشدة والمدة إلى قيم هطول الأمطار الفردية المتراكمة على نوافذ زمنية ثابتة. هنا، نتولى مهمة مماثلة مستوحاة من نمذجة البنى النموذجية لمهام التعرف على الكلام. نهدف إلى تصنيف المشهد التركي إلى شبكات بطول 5 كم مخصصة مع تقدير قابلية الانهيارات الأرضية. جمعنا جميع المعلومات الوطنية المتاحة حول حوادث الانهيارات الأرضية الناجمة عن هطول الأمطار. يتم تمرير هذه المعلومات إلى ذاكرة طويلة المدى مزودة بسلسلة زمنية كاملة لهطول الأمطار، يتم الحصول عليها من بيانات سقسقة يومية. نقوم باختبار هذا النموذج بشكل عشوائي لبيانات الوجود/الغياب لتمثيل عدم استقرار المنحدر على تركيا وعلى مدى 13 عامًا قيد النظر (2008–2020) وتقييم النوافذ الزمنية المختلفة. تظهر النتائج أن تضمين إشارة هطول الأمطار الكاملة بدلاً من تقريبها العددي يؤدي إلى زيادة كبيرة في قوة التنبؤ (حوالي 20 ٪). وقد يمهد هذا الطريق لجيل جديد من أنظمة الإنذار المبكر بالانهيارات الأرضية القائمة على التعرف على الكلام.