Documentos de Académico
Documentos de Profesional
Documentos de Cultura
matemáticas
Artículo
Modelo avanzado de predicción y alerta de desprendimientos de
tierras basado en el algoritmo de fusión de apilamiento
Zian Lin 1, Yuanfa Ji 2 y Xiyan Sun 2,*.
creativecommons.org/licenses/by/ 4.0/).
deslizamiento de tierras aumenta cada año. Los corrimientos de tierras son procesos
destructivos frecuentes y generalizados, que causan víctimas y daños en todo el mundo
1. Introducción [3]. China es uno de los países más gravemente afectados por los desastres causados por
Un deslizamiento de corrimientos de tierras debido a su vasto territorio, su gran extensión norte-sur, su terreno
tierras es un fenómeno de elevado en el oeste, su terreno bajo en el este, sus zonas de calor tropical, subtropical y
masas de roca y suelo en templado y sus montañas y colinas muy extendidas [4]. Según el Anuario Estadístico de
una ladera bajo las China 2021 [5] elaborado por la Oficina Nacional de Estadística de China, de 2005 a
acciones combinadas de 2020, las pérdidas económicas directas ascendieron a 67.300 millones de yuanes, con
la gravedad, los 14.295 víctimas e innumerables pérdidas económicas indirectas. El número de víctimas y
terremotos, las las pérdidas económicas directas causadas por los desastres geológicos en este periodo se
precipitaciones, las muestran en la Figura 1.
Figura 2. Tipos de víctimas entre las catástrofes geológicas en China en 2020 Tipos de víctimas de
catástrofes geológicas en China en 2020.
Por lo tanto, en los últimos años, los métodos de alerta de deslizamientos se han basado
cada vez más en el aprendizaje automático.
Matemáticas 2023, 11, 2833 4 de 32
2. Materiales y métodos
Para construir un modelo de apilamiento razonable, se utilizan diversos métodos y
Matemáticas 2023, 11, 2833 9 de 32
donde p(u) y p(v) son las funciones de densidad de probabilidad de borde de las variables
U y V, respectivamente, y p(u, v) es la función de densidad de probabilidad conjunta de
U y V. Para dos variables, x e y, el conjunto de datos D(x, y) se divide en una
c u a d r í c u l a x × y. Para cada cuadrícula, p(u) y p(v) son las funciones de densidad de
probabilidad de borde de las variables U y V, respectivamente. En cada cuadr ícula, la
La probabilidad de que un punto G se encuentre dentro de ella se calcula para todos
los puntos, lo que da como resultado un resultado binario
para la cuadrícula D|G . El conjunto de datos se divide utilizando uno de los muchos
métodos de división. Para cada partición, se calcula la información mutua I(D|G, x, y) y
se determina el valor máximo de todas las particiones basándose en la ecuación (2):
Figura 4. Estructura del algoritmo de fusión por apilamiento Estructura del algoritmo de fusión por
apilamiento.
A continuación, esta información puede transmitirse entre regiones. Este enfoque supera
el problema de dependencia de largo orden que las RNN no pueden manejar bien ciertos
datos. La LSTM es una de las redes neuronales cíclicas más populares. Se utiliza
ampliamente en muchos campos de la inteligencia artificial. Las neuronas LSTM
contienen tres puertas, a saber, una puerta de entrada, una puerta de salida y una puerta de
olvido [59]. Un modelo LSTM almacena o actualiza información a través de estas puertas
[60]. La puerta de entrada controla qué datos entran en una neurona, la puerta de salida
controla qué datos salen de una neurona y la puerta de olvido determina qué memoria se
retiene y qué memoria se olvida. Con estas tres estructuras de puertas, la memoria y la
salida del modelo LSTM pueden ajustarse para diferentes tareas. Este enfoque mejorará
la eficiencia y la eficacia del aprendizaje. La estructura del modelo LSTM se muestra en
la Figura 5.
ft = σ Wf -[ht−1 , xt ] + bf , (4)
˜t = tanh(Wc -[ht−1 , xt ] + bc ),
c (6)
donde it representa la salida de la puerta de entrada, tanh representa la función tanh, Wi es
˜
el peso de la puerta de entrada, bi representa el sesgo de la puerta de entrada, ct es el
estado temporal, W˜c es el peso de ct , y b˜c es el sesgo de ct .
Entonces, el estado de la célula ct debe actualizarse como se muestra en la Ecuación
(7):
ct = ft -ct−1 + it ˜
-ct , (7)
donde ct representa el estado actual, ct−1 representa el estado anterior, it representa la
˜ y ct representa el estado temporal.
salida de la puerta de entrada
Finalmente, los datos de salida ht se determinan a través de la puerta de salida, y el
proceso se muestra en las ecuaciones (8) y (9):
ht = ot -tanh(ct ), (9)
donde ot representa la salida de la puerta de salida, ht representa la salida final, Wo
representa el peso de la salida de la puerta de salida y bo representa el sesgo de la
puerta de salida.
Un modelo BiLSTM es un modelo LSTM mejorado compuesto por modelos LSTM
positivos y negativos; este enfoque puede resolver el problema de que los modelos LSTM no
pueden codificar información de atrás hacia delante [61]. El modelo BiLSTM puede capturar
eficazmente las características de los datos actuales e históricos. La estructura del modelo
BiLSTM se muestra en la Figura 6.
1
f (x + ∆x) = f (x) + f′ (x)∆x + f ′′ (x)∆x2 . (14)
2
La expansión de Taylor de segundo orden de la función de pérdida se muestra en la
ecuación (15):
1
∑ iL yi , yˆi k−1 + fk (xi ) = ∑ iL yi , yˆi k−1 + L′ yi , yˆik−1 fk (xi ) + L′′ yi , yˆi k−1 f2k (xi ), (15)
2
donde gi es la primera derivada de la i-ésima función de pérdida y hi es la segunda derivada
de la i-ésima función de pérdida. Los procesos de cálculo de gi y hi se muestran en las
ecuaciones (16) y (17):
gi = L′ yi , yˆ
i
k−1 (16)
L′′
hi = yi , yˆk−1
i . (17)
Entonces, la función objetivo simplificada puede expresarse como se muestra en la
Ecuación (18): ∑
1
Objk = L yi , yˆk−1 + gi fk (xi ) + L′′ hi f2 (xi ) + Ω( fk ). (18)
i i 2 k
3. Resultados
3.1. Área de estudio
El desprendimiento de Baishuihe se encuentra en la localidad de Shazhenxi,
condado de Zigui, provincia de Hubei, a 56 km del emplazamiento de la presa de las Tres
Gargantas. Desde la construcción de la presa de las Tres Gargantas en 2003, el
desprendimiento empezó a deformarse debido a las lluvias de la temporada de crecidas y
a la bajada del nivel de agua del embalse. En 2004, se delimitó la zona de alerta de
desprendimientos (figura 7) de acuerdo con las características de deformación del
desprendimiento de Baishuihe. El lado este de la zona de alerta está delimitado por el
surco de loess Baotou, el lado oeste del cuerpo de deslizamiento está delimitado por el
surco de cabra, el borde posterior está delimitado por los contornos de elevación de 297
m, y la salida de cizallamiento frontal está por debajo del nivel de agua de 145 m en el
río Yangtsé
embalse. El volumen del deslizamiento es de 1,26 × 107 m3. El cuerpo del talud se
compone principalmente de depósitos de taludes residuales cuaternarios y tierra
acumulada. La dirección principal de deslizamiento es 20◦,
convirtiéndolo en un profundo deslizamiento de tierra a gran escala.
El desprendimiento de Baishuihe ha sido objeto de seguimiento desde 2003. Como
se muestra en la figura 7, hay 11 puntos de control GPS distribuidos por el deslizamiento.
Dado que el punto de monitorización ZG118 se encuentra en el centro del deslizamiento
y ha proporcionado un registro relativamente completo [66,67], los datos recogidos en
este punto de monitorización se adoptaron en los experimentos de este estudio. Los tipos
de datos de monitorización de los puntos de monitorización de ZG118 incluyen el
Matemáticas 2023, 11, 2833 18 de 32
desplazamiento del deslizamiento, las precipitaciones y los datos del nivel de agua del
embalse. Los datos de seguimiento se obtienen una vez al mes, y los cambios en los datos
se muestran en la figura 8. La figura 8 muestra que el deslizamiento tiene una
característica evidente de desplazamiento escalonado, lo que concuerda con las
precipitaciones de la estación de crecidas y el descenso del nivel de agua del embalse de
las Tres Gargantas.
Matemáticas 2023, 11, 2833 19 de 32
Figura 8. Cambios anuales en los datos de seguimiento de los corrimientos de tierra de Baishuihe.
en este estudio, con los primeros 54 puntos de datos como conjunto de datos de
entrenamiento y los últimos 54 puntos de datos como conjunto de datos de prueba. El
rendimiento del modelo se comprobó en función de los resultados de predicción basados
en los 54 puntos de datos.
Según los datos obtenidos en el punto de vigilancia ZG118 y las condiciones de
umbral de alerta establecidas, se generaron múltiples alertas en el proceso de vigilancia.
Dado que, por lo general, es necesario comparar los datos del conjunto de pruebas, en
este estudio se contabilizaron por separado las alertas generadas por el conjunto de datos
de entrenamiento y el conjunto de datos de prueba.
De las tablas 2 y 3 se desprende que la mayoría de las alertas se concentraron de
junio a agosto, coincidiendo con los cambios drásticos en las precipitaciones y el
nivel de agua del embalse. Hasta cierto punto, este resultado indica que las
condiciones para establecer el umbral de alerta son correctas y que el tiempo de
alerta de desprendimientos de Baishuihe puede determinarse eficazmente.
Tabla 2. Seguimiento real del desplazamiento de los corrimientos de tierras y tiempos de alerta para
el conjunto de datos de entrenamiento.
Advertencia
Adverten Supervisión Condiciones de umbral satisfechas
cia
Tiempo Valor Nivel
2004-06 132.3 Nivel 1 Más que los 5 meses anteriores juntos
2005-06 312.6 Nivel 1 Más que los 5 meses anteriores juntos
2007-06 741.5 Nivel 1 Más que los 5 meses anteriores juntos
2007-07 930 Nivel 1 Aumento 179,1-188,5
2007-08 1240.9 Nivel 4 Aumento superior a 207,4
2007-09 1426.1 Nivel 1 Aumento 179,1-188,5
Tabla 3. Seguimiento real del desplazamiento del corrimiento de tierras y tiempos de alerta para el
conjunto de datos de prueba.
Advertencia
Adverten Supervisión Condiciones de umbral satisfechas
cia
Tiempo Valor Nivel
2008-10 1710.3 Nivel 4 Aumento de más del 207,4
2009-07 1827.7 Nivel 2 Más que los 8 meses anteriores juntos
2010-07 1944.9 Nivel 1 Más que los 5 meses anteriores juntos
2010-08 1993.6 Nivel 1 Más que los 5 meses anteriores juntos
2011-07 2188.6 Nivel 2 Más que los 8 meses anteriores juntos
2012-06 2245.1 Nivel 1 Más que los 5 meses anteriores juntos
Figura 9. Comparaciones entre los resultados de cinco modelos de predicción anticipada y los datos
reales.
Control en Doble
Tiempo de LSTM BiLSTM LSTM-FC LMD-BiLSTM
tiempo real BiLSTM
advertencia
2008-10 Nivel 4 Nivel 1 Nivel 1 Nivel 4 Nivel 4 Nivel 2
2009-05 - - - - Nivel 1 -
2009-07 Nivel 2 Nivel 2 Nivel 2 Nivel 1 Nivel 2 Nivel 2
2010-04 - - - - - Nivel 1
2010-07 Nivel 1 - - - - -
2010-08 Nivel 1 Nivel 1 Nivel 1 - - Nivel 1
2010-09 - Nivel 1 Nivel 1 - Nivel 1 -
2011-07 Nivel 2 Nivel 1 Nivel 1 Nivel 1 Nivel 1 Nivel 1
2012-06 Nivel 1 Nivel 1 - - Nivel 1 Nivel 1
2012-07 - - Nivel 1 Nivel 1 - -
es eficaz. Este porcentaje de éxito sugiere que el modelo puede utilizarse como
referencia para proporcionar información de alerta y ayudar a aumentar la conciencia de
crisis de los responsables de la toma de decisiones. Los resultados pueden contribuir a la
evacuación segura del personal antes de que se produzca un corrimiento de tierras, evitar
muchas víctimas y reducir en gran medida las pérdidas causadas por las catástrofes.
Tabla 5. Comparación de la vigilancia en tiempo real y los avisos del modelo de apilamiento.
4. Debate
Para evaluar a fondo el rendimiento de alerta temprana del modelo de fusión de
apilamiento, comparamos los resultados de predicción de los modelos de predicción
individuales con los del modelo de fusión de apilamiento, como se muestra en la
Tabla 6 y la Figura 10.
Para una evaluación más detallada, se estableció un histograma de los datos del
Cuadro 6.
Como muestran la Tabla 6 y la Figura 10, cuando se utiliza un único modelo para la
predicción y la alerta, independientemente del modelo utilizado, se producen omisiones
en la alerta temprana y no se puede proporcionar información de alerta temprana de
forma exhaustiva en todos los casos. Cuando se utiliza el modelo de apilamiento, la
mayor parte de la información de predicción y alerta es precisa y exhaustiva. Una vez
integrado el segundo modelo de apilamiento, se resuelven las omisiones de alerta
generadas por los modelos individuales de la primera capa. Esto refleja la capacidad de
alerta global del modelo de apilamiento, que puede reducir con éxito las pérdidas por catástrofes
causadas por la falta de alertas. Además, los modelos de predicción individuales generan
más alertas falsas que los modelos de apilamiento, y el modelo de apilamiento resuelve en
gran medida la mayoría de las alertas falsas y omitidas. Esto se debe a que es probable
que las falsas alertas estén aisladas en unos pocos modelos, la mayoría de los cuales son
Matemáticas 2023, 11, 2833 25 de 32
Como muestra la Tabla 7, ningún modelo tiene ventajas absolutas sobre los demás,
y cada modelo tiene ventajas únicas basadas en diferentes estándares de error. Esto
ilustra aún más que, en el proceso de alerta temprana, un único modelo tiene un papel
limitado. Sólo cuando se utiliza el modelo de apilamiento para integrar las ventajas
respectivas de los modelos individuales se pueden obtener juicios precisos para
proporcionar alertas tempranas eficaces en caso de catástrofes por corrimiento de tierras.
De acuerdo con los principios de prevención de catástrofes y prioridad de
mitigación, se utiliza una estrategia de priorización de r i e s g o s . Sin tener en cuenta los
recursos humanos y materiales, se selecciona el nivel de alerta máximo obtenido con el
primer aprendiz de base como resultado de alerta para la priorización de peligros en un
momento dado. En la Tabla 8 se muestra la correspondiente comparación de advertencias.
Como se muestra en la Tabla 8, la estrategia de priorización de peligros es eficaz. En
comparación con los modelos individuales de predicción y alerta, esta estrategia produce
pocas alertas perdidas, y se proporciona la información de alerta más importante. Sin
embargo, la desventaja de la estrategia de prioridad de riesgos es que siempre se
selecciona el nivel de alerta máximo, lo que puede llevar a medidas excesivas en algunos
casos. En comparación con el modelo de apilamiento, este enfoque genera más falsas
alertas. Sin embargo, la ventaja de la estrategia de prioridad de riesgos es que puede
utilizarse ampliamente en zonas deshabitadas y no requiere un entrenamiento excesivo
con datos históricos. Puede aplicarse de forma preliminar como método de alerta cuando
sólo hay una pequeña cantidad de
datos disponibles antes del desarrollo del modelo de apilamiento.
Matemáticas 2023, 11, 2833 27 de 32
5. Conclusiones
Este artículo presenta un modelo avanzado de predicción y alerta de corrimientos de
tierras basado en un algoritmo de fusión de apilamiento para resolver el problema de que
el tiempo de alerta de corrimientos de tierras no es suficientemente temprano. Dado que
la mayoría de los modelos de alerta de deslizamientos existentes se basan en umbrales de
monitorización en tiempo real, lo que da lugar a alertas tempranas insuficientes, este
modelo integra eficazmente los resultados de varios modelos anteriores de predicción de
desplazamiento de tierras mediante un algoritmo de fusión de apilamiento. Basándose en el
concepto de la monitorización en tiempo real de los datos históricos y los datos del
Matemáticas 2023, 11, 2833 28 de 32
Contribución de los autores: Conceptualización, Z.L., Y.J. y X.S.; metodología, Z.L., Y.J. y X.S.;
análisis formal, Z.L.; software, Z.L.; validación, Z.L., Y.J. y X.S.; recursos, Y.J. y X.S.; redacción-
redacción del borrador original, Z.L. y X.S.; redacción-revisión y edición, Z.L., Y.J. y X.S.; obtención
de financiación,
Y.J. y X.S. Todos los autores han leído y aceptado la versión publicada del manuscrito.
Financiación: Esta investigación fue financiada por la Fundación Nacional de Ciencias Naturales de
China (62161007, 62061010), el Departamento de Ciencia y Tecnología de la Región Autónoma de
Guangxi Zhuang (AA20302022, AA19254029, AB21196041, AB22035074, AD22080061), el Proyecto de
Ciencia y Tecnología de Guilin (20210222-1).
Declaración de disponibilidad de datos: Los conjuntos de datos analizados en el presente estudio
están disponibles a través del autor correspondiente previa solicitud razonable.
Conflictos de i n t e r e s e s : Los autores declaran no tener ningún conflicto de i n t e r e s e s .
Referencias
1. Zhang, Y.; Javed, I.; Yang, Z.; Yao, X. Landslide susceptibility mapping using an integrated model of information value method
and logistic regression in the Bailongjiang watershed, Gansu Province, China. J. Mt. Sci. 2017, 2, 249-268.
2. Prakash, N.; Manconi, A.; Loew, S. Mapping Landslides on EO Data: Performance of Deep Learning Models vs. Tradit.
Mach. Learn. Models. Remote Sens. 2020, 12, 346.
3. Samuele, S.; Stefano, L.G.; Ascanio, R. Prefacio al número especial "Rainfall Thresholds and Other Approaches for Landslide
Prediction and Early Warning". Agua 2021, 13, 323.
4. Wu, W.; Zhang, Q.; Singh, V.P.; Wang, G.; Zhao, J.; Shen, Z.; Sun, S. A Data-Driven Model on Google Earth Engine for Landslide
Susceptibility Assessment in the Hengduan Mountains, the Qinghai-Tibetan Plateau. Remote Sens. 2022, 14, 4662. [CrossRef]
5. Oficina Nacional de Estadística de la República Popular China. Anuario Estadístico de China; China Statistics Press: Pekín,
China, 2021.
6. Yu, X.; Zhang, K.; Song, Y.; Jiang, W.; Zhou, J. Study on landslide susceptibility mapping based on rock-soil char-acteristic factors.
Sci. Rep. 2021, 11, 15476. [CrossRef]
7. Hongtao, N. Smart safety early warning model of landslide geological hazard based on BP neural network. Saf. Sci. 2020,
123, 104572. [CrossRef]
8. Krkacˇ, M.; Bernat Gazibara, S.; Arbanas, Ž.; Secˇanj, M.; Mihalic' Arbanas, S. A comparative study of random forests and multiple
linear regression in the prediction of landslide velocity. Landslide 2020, 17, 2515-2531. [CrossRef]
9. Tapeh, A.T.G.; Naser, M.Z. Artificial Intelligence, Machine Learning, and Deep Learning in Structural Engineering: A Scientomet-
rics Review of Trends and Best Practices. Arch. Comput. Methods Eng. 2023, 30, 115-239. [CrossRef]
10. Dogan, A.; Birant, D. Machine learning and data mining in m a n u f a c t u r i n g . Expert Syst. Appl. 2021, 166, 114060. [CrossRef]
11. Naidu, S.; Sajinkumar, K.S.; Oommen, T.; Anuja, V.J.; Samuel, R.A.; Muraleedharan, C. Early warning system for shallow
landslides using rainfall threshold and slope stability analysis. Geosci. Front. 2018, 9, 1871-1882. [CrossRef]
12. Guzzetti, F.; Gariano, S.L.; Peruccacci, S.; Brunetti, M.T.; Marchesini, I.; Rossi, M.; Melillo, M. Geographical landslide early
warning systems. Earth-Sci. Rev. 2020, 200, 102973. [CrossRef]
13. Ju, N.; Huang, J.; He, C.; Van Asch, T.W.J.; Huang, R.; Fan, X.; Xu, Q.; Xiao, Y.; Wang, J. Alerta temprana de desprendimientos de
tierras, estudios de casos de Suroeste de China. Eng. Geol. 2020, 279, 105917. [CrossRef]
14. Brian, A.G.; Arturo, D. Negotiated participatory action research for multi-stakeholder implementation of early warning systems for
landslides. Int. J. Disaster Risk Reduct. 2021, 58, 102184.
15. Zhao, B.; Dai, Q.; Han, D.; Dai, H.; Mao, J.; Zhuo, L. Probabilistic Thresholds for Landslides Warning by Integrating Soil Moisture
Conditions with Rainfall Thresholds. J. Hydrol. 2019, 574, 276-287. [CrossRef]
16. Liu, Q.; Jian, W.; Nie, W. Rainstormed landslides early warning system in mountainous cities based on groundwater level change
fast prediction. Sustain. Cities Soc. 2021, 69, 102817. [CrossRef]
Matemáticas 2023, 11, 2833 30 de 32
17. Chikalamo, E.E.; Mavrouli, O.C.; Ettema, J.; van Westen, C.J.; Muntohar, A.S.; Mustofa, A. Satellite-derived rainfall thresholds for
landslide early warning in Bogowonto Catchment, Central Java, Indonesia. Int. J. Appl. Earth Obs. Geoinf. 2020, 89, 102093.
[CrossRef]
18. Xu, Q.; Peng, D.; Zhang, S.; Zhu, X.; He, C.; Qi, X.; Zhao, K.; Xiu, D.; Ju, N. Aplicación con éxito de un sistema inteligente de
alerta temprana en tiempo real y para desprendimientos de loess en la terraza de Heifangtai, China. Eng. Geol. 2020, 278, 105817.
[CrossRef]
19. Tan, Q.; Wang, P.; Hu, J.; Zhou, P.; Bai, M.; Hu, J. The Application of Multi-Sensor Target Tracking and Fusion Technology to the
Comprehensive Early Warning Information Extraction of Landslide Mul-ti-Point Monitoring Data. Measurement 2020, 166, 108044.
[CrossRef]
20. Michele, C.; Ricardo, N.d.; Luca, P.; Nelson, P.; Marcelo, M.; Willy, A.L. The Rio de Janeiro early warning system for rainfall-
induced landslides: Análisis de rendimiento para los años 2010-2013. Int. J. Disaster Risk Reduct. 2015, 12, 3-15.
21. Luca, P.; Michele, C.; José, M.C. Territorial early warning systems for rainfall-induced landslides. Earth-Sci. Rev. 2018, 179,
228-247.
22. Minu, T.A.; Neelima, S.; Ascanio, R.; Biswajeet, P.; Samuele, S. Usage of antecedent soil moisture for improving the performance of
rainfall thresholds for landslide early warning. CATENA 2021, 200, 105147.
23. Małgorzata, W.; Ireneusz, M.; Janusz, B. Tree rings as an early warning against catastrophic landslides: Evaluando el potencial de la
dendrocronología para determinar la estabilidad de las laderas. Dendrochronologia 2019, 53, 82-94.
24. Luca, P.; Stefano, L.G.; Massimo, M.; Maria, T.B.; Silvia, P.; Fausto, G.; Michele, C. Definition and performance of a threshold-
based regional early warning model for rainfall-induced landslides. Landslides 2017, 14, 995-1008.
25. Simon, L.; Sophie, G.; Valentin, G.; Alexandra, K.; Giorgio, V. Monitoring and early warning of the 2012 Preonzo catastrophic
rockslope failure. Landslides 2017, 14, 141-154.
26. Gariano, S.L.; Brunetti, M.T.; Iovine, G.; Melillo, M.; Peruccacci, S.; Terranova, O.; Vennari, C.; Guzzetti, F. Calibration and
validation of rainfall thresholds for shallow landslide forecasting in Sicily, southern Italy. Geomorphology 2015, 228, 653-665.
[CrossRef]
27. Park, J.Y.; Lee, S.R.; Lee, D.H.; Kim, Y.T.; Lee, J.S. A regional-scale landslide early warning methodology applying statistical and
physically based approaches in sequence. Eng. Geol. 2019, 260, 105193. [CrossRef]
28. Pecoraro, G.; Calvello, M.; Piciullo, L. Estrategias de monitoreo para sistemas locales de alerta temprana de deslizamientos de tierra.
Deslizamientos de tierra 2018, 16, 213-231. [CrossRef]
29. Samuele, S.; Ascaniom, R.; Riccardo, F.; Angela, G.; Antonio, M.; Nicola, C. A Regional-Scale Landslide Warning System Based
on 20 Years of Operational Experience. Agua 2018, 10, 1297.
30. Moritz, G.; John, S.; Kurosch, T. Internet of Things Geosensor Network for Cost-Effective Landslide Early Warning Systems.
Sensores 2021, 21, 2609.
31. Minu, T.A.; Neelima, S.; Maria, A.B.; Biswajeet, P.; Binh, T.P.; Samuele, S. Using Field-Based Monitoring to Enhance the
Performance of Rainfall Thresholds for Landslide Warning. Agua 2020, 12, 3453.
32. Yan, Y.; Yang, D.S.; Geng, D.X.; Hu, S.; Wang, Z.A.; Hu, W.; Yin, S.Y. Equipo de bastones para la reducción de desastres: Un
método para monitorear y alerta temprana de peligros de deslizamientos de tierra por tuberías. J. Mt. Sci. 2019, 16, 2687-2700.
[CrossRef]
33. Yang, Z.; Wang, L.; Qiao, J.; Uchimura, T.; Wang, L. Application and verification of a multivariate real-time early warning method
for rainfall-induced landslides: Implication for evolution of landslide-generated debris flows. Landslides 2020, 17, 2409-2419.
[CrossRef]
34. Won, Y.L.; Seon, K.P.; Hyo, H.S. The optimal rainfall thresholds and probabilistic rainfall conditions for a landslide early warning
system for Chuncheon, Republic of Korea. Landeslide 2021, 18, 1721-1739.
35. Prakash, S.T.; Basanta, R.A. Development of community-based landslide early warning system in the earthquake-affected areas of
Nepal Himalaya. J. Mt. Sci. 2019, 16, 2701-2713.
36. Yuan, Y.; Muhammad, A.A. The application of the intelligent algorithm in the prevention and early warning of mountain mass
landslide disaster. Arab. J. Geosci. 2020, 13, 79. [CrossRef]
37. Chen, M.; Cai, Z.; Zeng, Y.; Yu, Y. Multi-sensor data fusion technology for the early landslide warning system. J. Ambient Intell.
Humaniz. Comput. 2022, 1-8. [CrossRef]
38. Zhan, Q.; Wang, S.; Guo, F.; Chen, Y.; Wang, L.; Zhao, D. Early warning model and model test verification of rainfall-
induced shallow landslide. Bull. Eng. Geol. Environ. 2020, 81, 318. [CrossRef]
39. Benjamin, B.M.; Rachel, E.B.; Rex, L.B.; Joel, B.S. Integrating real-time subsurface hydrologic monitoring with empirical rainfall
thresholds to improve landslide early warning. Landslide 2018, 15, 1909-1919.
40. Feiyue, L.; Zhenqi, Y.; Wenxue, D.; Tianhong, Y.; Jingren, Z.; Qinglei, Y.; Yachun, M. Rock landslide early warning system
combining slope stability analysis, two-stage monitoring, and case-based reasoning: A case study. Bull. Eng. Geol. Environ. 2021,
80, 8433-8451.
41. Geethu, T.H.; Dhanya, M.; Maneesha, V.R.; Divya, P. Towards establishing rainfall thresholds for a real-time landslide early
warning system in Sikkim, India. Deslizamientos de tierra 2019, 16, 2395-2408.
42. Yuxin, G.; Zhanya, X.; Shuang, Z.; Xiangang, L.; Yinli, X. Using distributed root soil moisture data to enhance the performance of
rainfall thresholds for landslide warning. Nat. Hazards 2023, 115, 1167-1192.
43. Rosa, M.P.; Marc, B.; Marcel, H.; Daniel, S. Application of a fuzzy verification framework for the evaluation of a regional-
scale landslide early warning system during the January 2020 Gloria storm in Catalonia (NE Spain). Landslides 2022, 19,
1599-1616.
Matemáticas 2023, 11, 2833 31 de 32
44. Ascanio, R.; Samuele, S.; Vanessa, C.; Antonio, M.; Angela, G.; Nicola, C. Definition of 3D rainfall thresholds to increase operative
landslide early warning system performances. Landslides 2021, 18, 1045-1057.
45. Chien-Yuan, C. Event-based rainfall warning regression model for landslide and debris flow issuing. Environ. Earth Sci. 2020,
79, 127. [CrossRef]
46. Minu, T.A.; Neelima, S.; Biswajeet, P.; Samuele, S.; Abdullah, A. Developing a prototype landslide early warning system for
Darjeeling Himalayas using SIGMA model and real-time field monitoring. Geosci. J. 2022, 26, 289-301.
47. Faming, H.; JiaWu, C.; Weiping, L.; Jinsong, H.; Haoyuan, H.; Wei, C. Regional rainfall-induced landslide hazard warning based
on landslide susceptibility mapping and a critical rainfall threshold. Geomorphology 2022, 408, 108326.
48. Thirugnanam, H.; Ramesh, M.V.; Rangan, V.P. Enhancing the reliability of landslide early warning systems by machine l e a r n i n g .
Desprendimiento de tierras 2020, 17, 2231-2246. [CrossRef]
49. Lin, Z.; Sun, X.; Ji, Y. Landslide Displacement Prediction Model Using Time Series Analysis Method and Modified LSTM Model.
Electrónica 2022, 11, 1519. [CrossRef]
50. Lin, Z.; Sun, X.; Ji, Y. Landslide Displacement Prediction based on Time Series Analysis and Double-BiLSTM Model. Int. J. Environ.
Res. Public Health 2022, 19, 2077. [CrossRef]
51. Lin, Z.; Ji, Y.; Liang, W.; Sun, X. Landslide Displacement Prediction Based on Time-Frequency Analysis and LMD-BiLSTM Model.
Matemáticas 2022, 10, 2203. [CrossRef]
52. Reshef, D.N.; Reshef, Y.; Grossman, S.R.; Lander, E.S.; Finucane, H.K.; McVean, G.; Turnbaugh, P.J.; Mitzenmacher, M.; Sabeti, P.C.
Detección de nuevas asociaciones en grandes conjuntos de datos. Science 2011, 334, 1518-1524. [CrossRef] [PubMed]
53. Shao, F.; Li, K. A graph model for preventing railway accidents based on the maximal information coefficient. Int. J. Mod. Phys. B
2017, 31, 1750010. [CrossRef]
54. Guo, Z.; Yu, B.; Hao, M.; Wang, W.; Jiang, Y.; Zong, F. A novel hybrid method for flight departure delay prediction using Random
Forest Regression and Maximal Information Coefficient. Aerosp. Sci. Technol. 2021, 116, 106822. [CrossRef]
55. Mahendran, N.; Vincent, P.D.R.; Srinivasan, K.; Sharma, V.; Jayakody, D.K. Realizing a Stacking Generalization Model for
Improving the Prediction Accuracy of Major Depressive Disorder in Adults. IEEE Access 2020, 8, 49509-49522. [CrossRef]
56. Bakurov, I.; Castelli, M.; Gau, O.; Fontanella, F.; Vanneschi, L. Genetic Programming for Stacked Generalization. Swarm
Evol. Comput. 2021, 65, 100913. [CrossRef]
57. Shen, T.; Yu, H.; Wang, Y.Z. Discrimination of Gentiana and Its Related Species Using IR Spectroscopy Combined with
Feature Selection and Stacked Generalizatio. Molecules 2020, 25, 1442. [CrossRef]
58. Marcella, C.; Lorenzo, B.; Giuseppe, S.; Rita, C. Predicting Human Eye Fixations via an LSTM-based Saliency Attentive M o d e l .
IEEE Trans. Image Process. 2016, 27, 5142-5154.
59. Zhang, S.; Xiao, J.; Liu, X.; Yang, Y.; Xie, D.; Zhuang, Y. Fusing Geometric Features for Skeleton-Based Action Recognition
Using Multilayer LSTM Networks. IEEE Trans. Multimed. 2018, 20, 2330-2343. [CrossRef]
60. Germánico, L.; Pablo, A. Predicción de la velocidad del viento a corto plazo sobre terreno complejo utilizando modelos de regresión lineal
y redes multivariables LSTM y NARX en la Cordillera de los Andes, Ecuador. Renew. Energy 2022, 183, 351-368.
61. Mingzhe, Z.; Ninoslav, H.; Josip, Ð.; Igor, K.; Roberto, L.; Vincenzo, D.G.; Sasa, Z.D. Bayesian CNN-BiLSTM and Vine-GMCM Based
Probabilistic Forecasting of Hour-Ahead Wind Farm Power Outputs. IEEE Trans. Sustain. Energy 2022, 13, 1169-1187.
62. Mohammed, A.B.; Muhammad, Y.N.; Imad, E.A.; Shaharin, A.S. BiLSTM Network-Based Approach for Solar Irradiance
Forecasting in Continental Climate Zones. Energies 2022, 15, 2226.
63. Wang, X.; Gao, S.; Guo, Y.; Zhou, S.; Duan, Y.; Wu, D. A Combined Prediction Model for Hog Futures Prices Based on WOA-
LightGBM-CEEMDAN. Complexity 2022, 2022, 3216036. [CrossRef]
64. Wang, X.; Xu, N.; Meng, X.; Chang, H. Prediction of Gas Concentration Based on LSTM-LightGBM Variable Weight
Combination Model. Energies 2022, 15, 827. [CrossRef]
65. Wang, B.; Wu, P.; Chen, Q.; Ni, S. Prediction and Analysis of Train Passenger Load Factor of High-Speed Railway Based on
LightGBM Algorithm. J. Adv. Transp. 2021, 2021, 9963394. [CrossRef]
66. Wang, Y.; Tang, H.; Wen, T.; Ma, J. A hybrid intelligent approach for constructing landslide displacement prediction intervals.
Appl. Soft Comput. 2019, 81, 105506. [CrossRef]
67. Du, H.; Song, D.; Chen, Z.; Shu, H.; Guo, Z. Prediction model oriented for landslide displacement with step-like curve by applying
ensemble empirical mode decomposition and the PSO-ELM method. J. Clean. Prod. 2020, 270, 122248. [CrossRef]
68. Wu, S.; Hu, X.; Zheng, W.; Berti, M.; Qiao, Z.; Shen, W. Threshold Definition for Monitoring Gapa Landslide under Large
Variations in Reservoir Level Using GNSS. Remote Sens. 2021, 13, 4977. [CrossRef]
69. Akinosho, T.D.; Oyedele, L.O.; Bilal, M.; Ajayi, A.O.; Delgado, M.D.; Akinade, O.O.; Ahmed, A.A. Aprendizaje profundo en la
industria de la construcción: A review of present status and future innovations. J. Build. Eng. 2020, 32, 101827. [CrossRef]
Descargo de responsabilidad/Nota del editor: Las declaraciones, opiniones y datos contenidos en todas las publicaciones son
responsabilidad exclusiva de los autores y colaboradores individuales y no de MDPI y/o el/los editor/es. MDPI y/o el/los editor/es
declinan toda responsabilidad por daños personales o materiales derivados de ideas, métodos, instrucciones o productos a los que se
haga referencia en el contenido.