Suscríbete a DeepL Pro para poder traducir archivos de mayor tamaño.

Más información disponible en www.DeepL.com/pro.

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,*.

1 Escuela de Informática y Seguridad de la Información, Universidad de Tecnología Electrónica de

Guilin, Guilin 541004, China; 20031102010@mails.guet.edu.cn
2 Escuela de Información y Comunicación, Universidad de Tecnología Electrónica de Guilin, Guilin 541004, China;
jiyuanfa@guet.edu.cn
* Correspondencia: sunxiyan@guet.edu.cn

Resumen: En la alerta de catástrofes provocadas por corrimientos de tierras se suelen adoptar

diversos métodos de vigilancia y alerta. Sin embargo, la mayoría de los métodos de vigilancia y
alerta no pueden proporcionar información con antelación, por lo que a menudo se producen graves
pérdidas cuando se producen los corrimientos de tierras. Para adelantar el tiempo de alerta antes de
un corrimiento de tierras, en este artículo se propone un innovador modelo de predicción y alerta
anticipada de corrimientos de tierras basado en un algoritmo de fusión de apilamiento que utiliza
datos de corrimientos de tierras de Baishuihe. La zona de desprendimientos de Baishuihe se
caracteriza por un suelo único y se encuentra en la región china de las Tres Gargantas, con un
clima monzónico subtropical. A partir de los datos históricos de Baishuihe y del seguimiento en
tiempo real del estado de los corrimientos de tierras, se establecen cuatro umbrales de nivel de
alerta y las condiciones de activación de cada nivel de alerta. El modelo integra eficazmente los
resultados de múltiples submodelos de predicción y alerta para proporcionar predicciones y alertas
anticipadas mediante la fusión de dos capas de aprendizaje apiladas. También se discute la
posibilidad de utilizar una estrategia de prioridad de riesgos como sustituto del modelo de
apilamiento. Por último, una simulación experimental verifica que el modelo mejorado propuesto
no sólo puede proporcionar alertas anticipadas de deslizamientos, sino también reducir eficazmente
la frecuencia de falsas alertas y mitigar los problemas de los modelos individuales tradicionales. El
modelo de apilamiento puede apoyar eficazmente la prevención y reducción de catástrofes y
proporcionar una base científica para la gestión del uso del suelo.

creativecommons.org/licenses/by/ 4.0/).

Cita: Lin, Z.; Ji, Y.; Sun, X. Advance

Landslide Prediction and Warning
Model Based on Stacking Fusion
Algorithm. Mathematics 2023, 11,
2833. https://doi.org/10.3390/
math11132833

Editores académicos: Shuo Yu

y Feng Xia

Recibido: 25 de mayo de 2023

Revisado: 21 de junio de 2023
Aceptado: 21 de junio de 2023
Publicado: 24 junio 2023

Copyright: © 2023 por los autores.

Licenciatario MDPI, Basilea, Suiza.
Este artículo es un artículo de acceso
abierto distribuido bajo los términos y
condiciones de la licencia Creative
Commons Attribution (CC BY)
(https://
Palabras clave: predicción
anticipada; alerta de
desprendimientos; memoria a
largo plazo; modelo de
apilamiento
MSC: 68T07
actividades de ingeniería humana y otras causas internas y externas, que provocan un
deslizamiento amplio o local a lo largo de una superficie de deslizamiento específica y en
una dirección de deslizamiento determinada [1]. Las catástrofes causadas por
deslizamientos están ampliamente distribuidas por todo el mundo y ocurren con
frecuencia cada año, afectando gravemente a la construcción, las operaciones y la
seguridad de la ingeniería humana [2]. Con la aceleración de las actividades humanas de
ingeniería y la intensificación del cambio climático global, el número de desastres por

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.

Matemáticas 2023, 11, 2833. https://doi.org/10.3390/math11132833 https://www.mdpi.com/journal/mathematics

Matemáticas 2023, 11, 2833 2 de 32

Figura 1. Víctimas y pérdidas económicas directas entre 2005 y 2020.

En 2020 se produjeron en China un total de 4.810 corrimientos de tierras, que representaron

el 61,3% de las catástrofes geológicas. La figura 2 muestra la composición de los tipos de
desastres geológicos en China en ese año. Según los datos disponibles, durante el periodo
comprendido entre 2005 y 2020 se produjeron 314.309 desastres geológicos, de los cuales
226.022 fueron corrimientos de tierra, que representaron el 72% de los desastres
geológicos. En la figura 3 se m u e s t r a el número de desastres geológicos y de
corrimientos de tierras ocurridos en este periodo. Los desprendimientos de tierra
representan la mayoría de los desastres geológicos que se producen en China cada año
[6], y provocan grandes pérdidas materiales y víctimas. Por lo tanto, es importante alertar
de los corrimientos de tierra y predecir los riesgos con antelación para que la población
pueda tomar contramedidas que permitan afrontarlos con eficacia [7].

Figura 2. Tipos de víctimas entre las catástrofes geológicas en China en 2020 Tipos de víctimas de
catástrofes geológicas en China en 2020.

Las alertas de desprendimiento de tierras son medidas importantes para prevenir y

controlar activamente las catástrofes por desprendimiento de tierras y evitar víctimas y
pérdidas materiales. La generación y la evolución de los corrimientos de tierras suelen
ser procesos largos, acompañados de desplazamientos de la superficie, grietas
superficiales y otras manifestaciones externas. Por lo tanto, se puede adoptar un modelo
de alerta temprana para advertir de los desastres provocados por los corrimientos de
tierra [8]. Un modelo de alerta temprana es clave para proporcionar alertas tempranas
exitosas en caso de desastres geológicos, y muchos estudiosos han explorado y
desarrollado ampliamente tales modelos. Además, la tecnología de inteligencia artificial está
teniendo éxito en muchos campos [9]. El aprendizaje automático es un importante campo
de investigación de la inteligencia artificial, con los correspondientes métodos utilizados
para modelizar y predecir con precisión sucesos futuros basándose en la experiencia [10].
Matemáticas 2023, 11, 2833 3 de 32

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

Figura 3. Número de catástrofes geológicas y corrimientos de tierras de 2005 a 2020.

Shruti et al. utilizaron por primera vez una combinación de análisis de

conglomerados y análisis de regresión para determinar el umbral de precipitaciones que
desencadenó el corrimiento de tierras de Amburi en Kerala (India), analizaron la
estabilidad de los taludes en esta región y utilizaron un modelo probabilístico de análisis
infinito de taludes (PISA-m) para proporcionar alertas tempranas en zonas propensas a
corrimientos de tierras [11]. Los datos meteorológicos pueden obtenerse mediante
diversos métodos, como pluviómetros, modelos meteorológicos y radares
meteorológicos, y Fausto et al. propusieron un sistema comercial de alerta de
corrimientos de tierras que incluía un umbral de precipitaciones inducidas por el tiempo,
la estabilidad distribuida de los taludes y el balance hídrico del suelo; este enfoque se
diseñó, aplicó, modificó y verificó en Italia [12]. Nengpan et al. utilizaron
desplazamientos superficiales medidos en tiempo real combinados con un sistema de
alerta temprana de precipitaciones para predecir la inestabilidad de los taludes y la
probabilidad de flujo de escombros, y evaluaron el rendimiento de un sistema de alerta
temprana comparando el modelo de velocidad inversa (INV) y el modelo de gradiente (SLO)
en términos de tiempo de fallo del talud [13]. Para garantizar la continuidad de los sistemas de
alerta de corrimientos de tierras y los derechos de los socios de la comunidad, Brain et al.
propusieron un sistema de alerta temprana de corrimientos de tierras centrado en el ser
humano que incluía el análisis de problemas, la planificación de acciones y reuniones
preliminares de reflexión [14]. Binru et al. consideraron el importante papel de la
humedad del suelo en la fase inicial del proceso de iniciación de los corrimientos de
tierras y observaron que los cambios en el umbral de precipitación con cambios en la
humedad del suelo durante la fase inicial de iniciación podrían mejorar el efecto de alerta
temprana. Propusieron que el umbral de probabilidad era más apropiado que el umbral de
precipitación para reducir las falsas alarmas [15]. Qingling et al. introdujeron un método
de preidentificación de catástrofes basado en la predicción rápida del cambio del nivel de
las aguas subterráneas. Consideraban que el nivel de las aguas subterráneas era el factor
clave de los corrimientos de tierras urbanos provocados por fuertes precipitaciones en
zonas montañosas. Se introdujeron dos índices de series temporales, a saber, las
precipitaciones y el contenido de agua superficial del suelo, como factores clave que
afectaban al cambio del nivel del agua, y se construyó un sistema de alerta temprana de
corrimientos de tierras en zonas montañosas utilizando ventanas deslizantes [16]. Elias et
al. utilizaron datos del TRMM y del ERA-Interim para comparar la correlación y los
índices de precipitación extrema de los datos de precipitación procedentes de tres fuentes
diferentes; además, se estableció un sistema de alerta de corrimientos de tierras basado en
predicciones de precipitación y en un umbral de precipitación [17]. Qiang et al.
desarrollaron una tecnología de adquisición de datos adaptable y establecieron un sistema
de alerta de corrimientos de tierras en tiempo real. Presentaron en detalle todo el proceso,
el método de monitorización en tiempo real y la función de alerta de umbral multicriterio
del sistema de alerta [18]. Qulin et al. utilizaron datos de monitorización procedentes de
diversos sensores, propusieron un método de registro espaciotemporal y un algoritmo de
seguimiento de objetivos mediante un filtro de Kalman conjunto (EnKF), y construyeron
un modelo de predicción para construir un sistema de alerta temprana de deslizamientos
Matemáticas 2023, 11, 2833 5 de 32

mediante la optimización de problemas y objetivos. La desventaja de este sistema es que

requiere la adquisición exhaustiva de datos de monitorización de deslizamientos
multipunto para proporcionar alertas tempranas [19]. Michele et al. analizaron el
rendimiento del sistema de alerta de precipitaciones y deslizamientos Alerta-Rio,
dividieron Río de Janeiro en cuatro zonas de alerta y realizaron la alerta de
deslizamientos mediante la monitorización de las precipitaciones [20]. Luca et al.
analizaron una variedad de sistemas de alerta temprana de lluvias inducidas por
Matemáticas 2023, 11, 2833 6 de 32

deslizamientos de tierras en zonas montañosas y llegaron a la conclusión de que esos

sistemas de alerta temprana de deslizamientos suelen adoptar umbrales de duración de la
intensidad y a menudo utilizan simulaciones meteorológicas para predecir las
precipitaciones previstas a fin de emitir alertas tempranas con una antelación
determinada [21].
Minu et al. constataron que los métodos empíricos y probabilísticos para definir
los umbrales de precipitaciones forman parte de los sistemas de alerta temprana de
desprendimientos. Mejoraron los métodos probabilísticos tradicionales para tener en
cuenta la influencia de la humedad del suelo y utilizaron la humedad media del suelo
obtenida a partir de datos de teledetección para mejorar la fijación de los umbrales
meteoro- lógicos tradicionales [22]. Ma Gorzata et al. propusieron un sistema de alerta de
corrimientos de tierras basado en un método dendrocronológico. En este método, se
utiliza la actividad de los corrimientos de tierra registrada con precisión en los anillos
estacionales de los árboles, y el análisis de la excentricidad de los anillos de los
árboles puede conducir a alertas de corrimientos de tierra catastróficos [23]. Piciullo et
al. propusieron un modelo regional de alerta de deslizamientos inducidos por la lluvia
basado en un método de frecuencia y umbral de precipitación y lo probaron en la
zona propensa a deslizamientos de la región de Campania, en el sur de Italia [24].
Loew et al. describieron un sistema de alerta temprana de taludes rocosos de 210.000 m3
en el pueblo de Preonzo (Alpes suizos); se utilizó un medidor de extensión de grietas y
una estación total automática para monitorizar continuamente el desplazamiento y
proporcionar alertas tempranas de taludes rocosos mediante el desarrollo de umbrales
de alarma para alertas públicas y evacuaciones [25]. Basándose en los datos de 229
eventos de precipitación relacionados con deslizamientos de tierra en Sicilia entre 2002 y
2012, Gariano et al. consideraron que el umbral de precipitación en un área de
experiencia artificial era un elemento clave para la alerta de deslizamientos de tierra y
utilizaron una técnica no paramétrica guiada exhaustiva para determinar la
incertidumbre de este umbral [26]. Joon et al. propusieron y verificaron un método de
alerta de corrimientos de tierras que utilizaba dos umbrales de precipitación diferentes
y un umbral de atributo geológico fijo (susceptibilidad a los corrimientos de tierras) para
la evaluación estadística, y aplicaron umbrales estadísticos y físicos, a su vez, en un
algoritmo de decisión [27]. Pecoraro et al. describieron y analizaron las estrategias de
vigilancia aplicadas en los sistemas locales de alerta temprana de deslizamientos de tierra
que funcionan en todo el mundo, la mayoría de los cuales utilizan un método de
vigilancia de las precipitaciones como núcleo del sistema de alerta temprana; además, se
presentó la red de vigilancia utilizada en cada sistema [28]. Samuele et al.
describieron un sistema regional de alerta temprana de deslizamientos basado en un
umbral estadístico de precipitaciones. A lo largo de 20 años de aplicación práctica, el
sistema recogió e incorporó constantemente nuevos datos de modelización para mejorar
la fiabilidad de las alertas tempranas [29].
Moritz et al. diseñaron un sistema de alerta de corrimientos de tierras basado en
varios tipos de monitor-
que, en combinación con sistemas flexibles de gestión y análisis de datos, ofrecían una
buena relación coste-beneficio [30]. Minu et al. analizaron un enfoque integral que tenía
en cuenta tanto los umbrales de precipitación como los datos de seguimiento sobre el
terreno y utilizaba sensores de inclinación para reducir las falsas alarmas generadas
debido al uso de umbrales de precipitación empíricos [31]. Yan et al. desarrollaron un
sistema integral de monitorización multiparamétrica para realizar alertas de
deslizamientos teniendo en cuenta la complejidad de los deslizamientos de tuberías
[32]. Zongji et al. combinaron el análisis hidrodinámico y los datos de seguimiento en
tiempo real de largas series temporales para aplicar un método multivariante de alerta
temprana de deslizamientos; se utilizaron indicadores multivariantes como la
intensidad-probabilidad de las precipitaciones (I-P), la saturación (Si) y el ángulo de
inclinación (Lr) [33]. Won et al. determinaron la probabilidad de ocurrencia de
deslizamientos basándose en un modelo bayesiano; el modelo consideraba las
condiciones de precipitación de los deslizamientos y diversas variables
pluviométricas, y los niveles de alerta se dividían en cuatro tipos [34]. Prakash et al.
diseñaron un sistema de alerta temprana de deslizamientos que incluía un medidor de
Matemáticas 2023, 11, 2833 7 de 32

extensión, un sensor de humedad del suelo, un pluviómetro y un panel solar, y que

enviaba alertas en tiempo real a través de una red global de señal móvil (GSM) [35].
Yuan et al. construyeron una red neuronal BP y consideraron de forma exhaustiva
factores como terremotos, tormentas de lluvia, actividades humanas, desplazamiento de
tierras, pendiente y textura del suelo para predecir y analizar las posibles causas de los
corrimientos de tierra [36]. Musheng et al. utilizaron un detector de precipitaciones, un
sistema global de navegación por satélite y un sensor de desplazamiento de profundidad
para monitorizar los estados internos de los corrimientos de tierras y los factores externos
relacionados, y basándose en la teoría de la evidencia generalizada, se utilizaron datos
de monitorización integrados para tomar la decisión final [37].
Qinghua et al. realizaron una prueba de modelo de deslizamiento de tierras por
precipitaciones y establecieron un modelo del nivel de agua del embalse y su cambio en
el tiempo, así como un umbral de alerta para dos tipos de deslizamientos de tierras con
diferentes permeabilidades [38]. Benjamin et al. integraron en tiempo real
Matemáticas 2023, 11, 2833 8 de 32

medidas hidrológicas subterráneas en una norma de alerta de corrimientos de tierras,

aclararon la utilidad de calcular la humedad precursora y combinaron la vigilancia
hidrológica subterránea en tiempo real con umbrales empíricos de precipitación para
mejorar el nivel de alerta de corrimientos de tierras [39]. Feiyue et al. e s t u d i a r o n un
sistema de monitorización en dos etapas para registrar múltiples datos en tiempo real en
el momento de producirse un corrimiento de tierras y, finalmente, establecieron un
sistema de alerta temprana de estabilidad de corrimientos de tierras compuesto por
resultados de análisis de estabilidad de corrimientos de tierras, datos de monitorización
multifactorial e indicadores de alerta temprana obtenidos a partir de un método de
razonamiento basado en casos [40]. Geethu et al. exploraron el efecto de las
precipitaciones previas y propusieron una ecuación de umbral y un estudio del efecto de
las precipitaciones previas en los corrimientos de tierras para ayudar a reforzar el sistema de
alerta temprana de corrimientos de tierras en tiempo real (R-LEWS) desarrollado para
Sikkim [41]. Yuxin et al. utilizaron la precipitación efectiva para explorar la combinación
óptima de precipitación y humedad del suelo, incluyendo tanto la modelización separada
como la combinada de precipitación y humedad del suelo. La predicción de
desprendimientos de tierras se llevó a cabo utilizando una máquina de vectores soporte,
regresión logística y tres modelos de árbol de decisión [42]. Rosa et al. introdujeron
conjuntos de datos de precipitaciones y deslizamientos recogidos durante las tormentas
de Gloria y aplicaron un método de verificación difusa para evaluar el rendimiento del
sistema regional de alerta temprana de deslizamientos (LEWS) de Gloria durante las
tormentas [43]. Ascanio et al. definieron un umbral pluviométrico tridimensional para
mejorar el funcionamiento de los sistemas de alerta de deslizamientos. El umbral se
representaba como un plano en lugar de una línea recta, lo que podía reducir eficazmente
las falsas alarmas del sistema de alerta [44]. Chien-Yuan et al. propusieron una técnica
para el análisis interactivo de los parámetros pluviométricos mediante el análisis de
regresión tridimensional y establecieron un modelo de regresión para la alerta de
precipitaciones por deslizamiento basado en la intensidad media de las precipitaciones,
las precipitaciones acumuladas efectivas y la duración de las precipitaciones [45]. Minu
et al. utilizaron el modelo Sistema Integrato Gestione Monitoraggion Allerta (SIGMA) y
la vigilancia sobre el terreno en tiempo real, teniendo en cuenta las precipitaciones a
largo y corto plazo, para establecer un sistema de alerta temprana de corrimientos de
tierras para el Himalaya de Darjeeling [46]. Faming et al. utilizaron el mapa de
sensibilidad a los corrimientos de tierras y el umbral crítico de precipitaciones para
probar un sistema de alerta de desastres por corrimientos de tierras inducidos por la lluvia
[47].
Sin embargo, la mayoría de los modelos existentes de alerta de deslizamientos
adoptan un método de vigilancia y alerta por umbrales [11-23]. Aunque el rendimiento
de la alerta en tiempo real es bueno, las alertas anticipadas no se obtienen con eficacia.
Un algoritmo de predicción puede aumentar la antelación de las alertas tempranas [48],
incrementando así el tiempo de prevención y mitigación de desastres por deslizamientos.
Por lo tanto, en este trabajo se propone un modelo de predicción y alerta anticipada
de deslizamientos basado en un algoritmo de fusión de apilamiento. Este modelo utiliza
un algoritmo de fusión e integración de apilamiento de aprendizaje profundo, combinado
con múltiples modelos de predicción de desplazamiento de deslizamientos estudiados
previamente por el autor [49-51]. Se establece una tecnología de predicción y alerta
anticipada para proporcionar una alerta anticipada de deslizamientos de tierra. En este
artículo, se utiliza como área de investigación el corrimiento de tierras de Baishuihe, en
la región china de las Tres Gargantas, se investiga el modelo de alerta de desastres por
corrimiento de tierras y se verifica con éxito la capacidad del modelo. Esta investigación
promueve la aplicación de la inteligencia artificial en el campo de la alerta de desastres
por desprendimiento de tierras, apoya eficazmente los proyectos de alerta de desastres
geológicos en curso en China y proporciona un importante significado teórico y valor de
aplicación. Además, la superación de los problemas de fusión señalados en varios
estudios anteriores constituye un paso clave.

2. Materiales y métodos
Para construir un modelo de apilamiento razonable, se utilizan diversos métodos y
Matemáticas 2023, 11, 2833 9 de 32

modelos, como el método MIC, el algoritmo de fusión de apilamiento, los modelos

LSTM y BiLSTM y el modelo LightGBM. El método MIC se utiliza para calcular
cuantitativamente las relaciones entre los deslizamientos y los factores que influyen en
ellos. En particular, se seleccionan los factores que presentan las correlaciones más altas
con los desprendimientos. El algoritmo de fusión de apilamiento se utiliza para fusionar
múltiples modelos de subpredicción y alerta para obtener el resultado final de alerta. Los
modelos LSTM y BiLSTM se utilizan para construir los cinco aprendices de base en la
primera capa del modelo de apilamiento porque son buenos en el manejo de datos no
lineales y de series temporales. Los modelos
Matemáticas 2023, 11, 2833 10 de 32

El modelo LightGBM actúa como metalearner de la segunda capa del modelo de

apilamiento, almacena los resultados de la primera capa y ayuda a generar los avisos
finales.

2.1. Coeficiente máximo de información

Dado que los deslizamientos de tierra se ven afectados de forma integral por
entornos complejos, el modelo de alerta temprana propuesto en este documento adopta
un método de coeficiente máximo de información (MIC) para seleccionar los factores
influyentes con la mayor relevancia para incluirlos en los análisis de alerta temprana. El
MIC refleja las correlaciones entre atributos y fue propuesto por Reshef et al. [52] en
2011. El método MIC cuantifica las relaciones entre variables basándose en la
información mutua, y puede medir la relación compleja entre variables, como las
relaciones lineales, las relaciones no lineales y las relaciones no funcionales [53]. El
método MIC es también un método de discretización óptima, y la información mutua se
normaliza, con valores de información mutua convertidos al rango de [0, 1]. Cuanto
mayor es la MIC entre dos variables, más fuerte es la correlación entre ambas. Cuando
dos variables tienen una relación estrictamente determinada Y = f(x), esta relación no se
limita a la forma funcional, y la MIC es igual a 1. Cuanto menor es la MIC de dos
variables, menor es la correlación entre ellas. Cuando el MIC es igual a 0, las dos
variables son independientes [54].
El MIC se caracteriza por una cierta universalidad; es decir, cualquier función entre
variables es aplicable. Al mismo tiempo, se mantiene la equidad; es decir, se puede
obtener el mismo resultado para el mismo nivel de ruido con diferentes formas
funcionales. Para la variable
U = {ui }, donde i = 1, 2, . . . , N, y la variable V = {vi }, donde i = 1, 2, . . . , N, la
información mutua asociada a U y V se expresa como se muestra en la ecuación (1):
(u, v)
I(U; V) = ∑u� ∑v�V p(u, v) log p , (1)
U p(u)p(v)

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):

I∗ (D|G, x, y) = maxI(D|G, x, y). (2)

La información mutua I∗ (D|G, x, y) es diferente cuando varía el número de
columnas o filas. Para las variables aleatorias x e y, la fórmula para calcular la MIC es la
siguiente
Ecuación (3):
I∗ (D, x, y)
mic(x, y) = máx , (3)
x�y<B(N)
log(min{x, y})
donde N es el número de muestras y B(N) es la función de muestras, que indica que el
número total de unidades de cuadrícula x × y es inferior a B(N). Es muy importante
establecer un
B(N). El valor de B ( N) está estrechamente relacionado con la universalidad del algoritmo MIC con
la
coeficiente máximo de información. Si el valor es demasiado pequeño, se reducirá la
universalidad del algoritmo, de modo que sólo podrán detectarse relaciones simples. Si el
valor es demasiado grande, dará lugar a falsas asociaciones en el caso de muestras
limitadas. Cuando B(N) = N0,6 [50,51], el efecto es mejor, y este valor se utiliza en este
estudio.

2.2. Algoritmo de fusión por apilamiento

En este estudio se utiliza un algoritmo de fusión de apilamiento para integrar
Matemáticas 2023, 11, 2833 múltiples modelos de alerta de desprendimientos con el fin de mejorar la precisión 11
dedelas
32
alertas integrales de desprendimientos. El sistema de fusión está diseñado con una
estructura de dos capas, que no sólo refuerza el efecto de aprendizaje, sino que también
evita la redundancia y la complejidad de los modelos de predicción tradicionales,
garantiza una precisión de predicción suficiente y acorta el tiempo de ejecución. El
algoritmo de fusión de apilamiento puede utilizarse para resolver problemas de
clasificación, regresión y ordenación. El proceso de formación
Matemáticas 2023, 11, 2833 12 de 32

es relativamente sencillo y no requiere el ajuste de muchos hiperparámetros. La

estructura del algoritmo se muestra en la Figura 4.

Figura 4. Estructura del algoritmo de fusión por apilamiento Estructura del algoritmo de fusión por
apilamiento.

Un algoritmo de fusión de apilamiento es un modelo de inteligencia artificial basado

en el aprendizaje estadístico que combina múltiples algoritmos [55]. Generalmente, para
un único modelo de IA, el rendimiento se caracteriza por una utilidad marginal
decreciente. Un algoritmo de fusión de apilamiento es un modelo de inteligencia artificial
integrado [56] que combina los resultados de múltiples submodelos para generar un
nuevo modelo [57]. Los pasos del algoritmo de fusión de apilamiento son los siguientes.
1. Se seleccionan K aprendices básicos para formar la primera capa del modelo de
advertencia del algoritmo de fusión de apilamiento, y un metalearner Lnew para
formar la segunda capa del modelo de advertencia del algoritmo de fusión de
apilamiento. La selección de los aprendices de base y los metadatos para optimizar
el efecto de alerta puede basarse en la experiencia, el uso de modelos populares o la
orientación de expertos.
2. Para el conjunto de datos S = {(yn , xn ), n = 1, . . . , N}, donde yn es el resultado
de la advertencia correspondiente a la enésima muestra, xn es el dato
característico asociado a la enésima muestra, y es el resultado de la advertencia
correspondiente a l a e n é s i m a m u e s t r a , x es el dato característico asociado
a la enésima muestra.
y los datos se descomponen aleatoriamente en k conjuntos de datos de la misma
dimensión S1 , S2 , . . . Sk . Sxk es el conjunto de entrenamiento del pliegue k en la
verificación cruzada k. Si Sxk en S es Sck , entonces Sck es el k-ésimo conjunto de
prueba en la validación cruzada de k pliegues. El modelo entrenado Lk , donde k =
1, . . . K, se obtiene utilizando Sxk para entrenar al k-ésimo aprendiz base.
3. Lk utiliza la alerta temprana xn para obtener el resultado rkn según el modelo
aplicado y, a continuación, obtiene N resultados de alerta temprana para la
primera capa
Snew = {(yn , z1n , . . . , zkn ), n = 1, . . . . , N}. Los N resultados son el conjunto de
datos de entrada para la segunda capa.
4. Snew es la entrada del metalearner de segunda capa Lnew , y Lnew entrena a Snew en
función de la situación real del modelo para obtener un resultado numérico.
En combinación con los resultados anteriores del equipo de investigación, se
seleccionan cinco modelos mejorados [49-51] basados en un modelo LSTM o BiLSTM
como modela- les básicos para la primera capa del sistema de fusión de modelos de
apilamiento, y se utiliza el modelo LightGBM como modelo de predicción de la segunda
capa. El rendimiento de predicción del modelo de apilamiento es mejor que el de los
modelos individuales.
Matemáticas 2023, 11, 2833 13 de 32

2.3. Modelos LSTM y BiLSTM

La LSTM es una versión mejorada de una RNN. En particular, se añaden tres mecanismos
de compuerta a la RNN tradicional para resolver los problemas de gradiente
evanescente y explosión de gradiente [58], y se forma un mecanismo de transmisión
independiente con datos de memoria y resultados;
Matemáticas 2023, 11, 2833 14 de 32

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.

Figura 5. Estructura del modelo LSTM Estructura del modelo LSTM.

Supongamos que x = {x1 , x2 , . . . xt } es el conjunto de datos original. La puerta de

control de la memoria decide qué información se retiene y qué información se olvida. La
fórmula viene dada por la ecuación (4):

ft = σ Wf -[ht−1 , xt ] + bf , (4)

donde ft representa la salida de la puerta de olvido, σ es la función sigmoidea, Wf

representa el peso de la puerta de olvido y bf es el sesgo de la puerta de olvido y
representa la multiplicación matricial.
La puerta de entrada controla qué datos entran en una neurona, y las fórmulas
correspondientes se muestran en las ecuaciones (5) y (6):

it = σ(Wi -[ht−1 , xt ] + b )i (5)

˜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):

ot = σ(Wo -[ht−1 , xt ] + b )o (8)

Matemáticas 2023, 11, 2833 15 de 32

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.

Figura 6. Estructura del modelo BiLSTM Estructura del modelo BiLSTM.

→ ←
La salida de propagación hacia delante h , la salida de propagación hacia atrás h y la
salida final
Ht del modelo BiLSTM se muestran en las ecuaciones (10)-(12):
→ →
h = LSTM(ht−1 , xt , c )t−1 (10)
← ←
h = LSTM(ht+1 , xt , c )t+1 (11)
→ ←
Ht = ,h t ,h t (12)
donde xt representa los datos de entrada, ht−1 representa la salida LSTM hacia delante,
ct−1 representa el estado anterior al paso LSTM hacia delante, ht+1 representa la salida
LSTM hacia atrás.
y ct+1 representa el estado anterior al paso LSTM hacia atrás [62].
Dado que los modelos LSTM y BiLSTM pueden utilizarse para procesar series
temporales de datos de desplazamiento de corrimientos de tierras y factores ambientales
que cambian con el tiempo, los cinco modelos de predicción y alerta de la primera capa
del modelo de apilamiento propuesto en este artículo se construyen basándose en
modelos LSTM y BiLSTM, a saber, el modelo LSTM, el modelo BiLSTM, el modelo
LSTM-FC, el modelo Double-BiLSTM y el modelo LMD-BiLSTM.

2.4. Metaaprendiz LightGBM

El metalearner de segunda capa Lnew de este estudio utiliza un modelo LightGBM,
que es una implementación eficiente de un árbol de decisión con refuerzo de gradiente
(GBDT) [63]. Este modelo tiene las ventajas de una rápida velocidad de entrenamiento,
alta eficiencia, una baja tasa de utilización de memoria, alta precisión, soporte para
aprendizaje paralelo y GPU y la capacidad de procesar datos a gran escala; además,
puede reducir eficazmente los gastos de servidor cuando se utiliza en proyectos reales
[64]. Su principio es similar al de un GBDT, y el gradiente negativo de la función de
pérdida se utiliza para establecer la aproximación residual del árbol de decisión actual
para ajustar nuevos árboles de decisión; es decir, el modelo original permanece
inalterado en cada iteración, y luego se añade una nueva función al modelo para
aproximar el valor real con el valor predicho [65]. La función Objk de LightGBM se
muestra en la ecuación (13):
Objetok = ∑i L yi , yˆk−1 + fk (xi ) + Ω( fi ) + Ck−1 . (13)
 i
Matemáticas 2023, 11, 2833 16 de 32
Se utiliza la fórmula de Taylor para expandir la fórmula anterior y obtener la
ecuación (14):
Matemáticas 2023, 11, 2833 17 de 32

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

2.5. Métricas de rendimiento

Para evaluar objetivamente el rendimiento de los modelos de alerta de
deslizamientos, es fundamental utilizar parámetros razonables y precisos. En este
documento, se utilizan tres parámetros de rendimiento, a saber, la precisión de las alertas,
la tasa de falsas alertas y la tasa de alertas fallidas, para evaluar el modelo de apilamiento
y otros submodelos de alerta. La precisión de las alertas indica el número de situaciones
reales de alerta temprana predichas con éxito por el m o d e l o d e alerta temprana, que es la
métrica más básica para indicar la precisión de las alertas tempranas. Cuanto mayor sea el
valor, mejor será el rendimiento del modelo. La tasa de falsas alertas es el número de
falsas alertas emitidas por el modelo de alerta en comparación con el número total de
posibles alertas. Un número excesivo de falsas alertas reducirá la confianza de los
responsables en el modelo de alerta. La tasa de advertencias omitidas indica el número de
advertencias reales omitidas por el modelo de advertencia en referencia al número total
de advertencias posibles. Cada alerta omitida puede dar lugar a juicios incorrectos y
pérdidas económicas. Los valores más bajos de la tasa de falsos avisos y de avisos fallidos
indican un buen funcionamiento del modelo.

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 7. Situación del seguimiento de los corrimientos de tierra de Baishuihe.

Figura 8. Cambios anuales en los datos de seguimiento de los corrimientos de tierra de Baishuihe.

3.2. Ajuste del umbral de calentamiento

En este estudio, se controlaron tres tipos de parámetros: el desplazamiento de los
deslizamientos, la precipitación y el nivel del embalse. Según estudios anteriores, la
precipitación y el nivel del embalse se utilizaron para predecir el desplazamiento de
los corrimientos de tierras, por lo que en este estudio sólo se utilizó el desplazamiento
de los corrimientos de tierras en las simulaciones y para verificar el modelo de
apilamiento. En el modelo, se formularon diferentes condiciones de ajuste del umbral de
alerta para diferentes niveles de alerta en el mismo punto de vigilancia [24].
El establecimiento de un umbral de alerta de deslizamiento suele basarse en datos
históricos monitorizados [11,15], y no existe una norma unificada [12]. El umbral de
alerta debe establecerse para asegurar que se establecen alarmas correctas mientras se
minimizan los errores y las alarmas perdidas [20]. Este umbral es uno de los parámetros
importantes de un modelo de alerta de deslizamientos [68]. El desplazamiento del
deslizamiento es la variable más directa para reflejar la situación del deslizamiento, y se
considera la clave para establecer el umbral en este trabajo.
Matemáticas 2023, 11, 2833 20 de 32

Se utilizan datos históricos de desplazamiento de deslizamientos monitorizados, y el

máximo acumulativo histórico se utiliza como condición de ajuste de referencia [36].
Además, cuando el desplazamiento del deslizamiento aumenta repentinamente, creemos
que el estado del deslizamiento cambia y que el deslizamiento se desliza con facilidad.
Por lo tanto, comparamos el desplazamiento del mes actual con el desplazamiento total
de los meses anteriores y establecemos la condición de umbral. Los niveles de alerta se
dividen en Nivel 1, Nivel 2, Nivel 3 y Nivel 4. El Nivel 1 es el nivel de alerta más bajo, y
el Nivel 4 es el nivel de alerta más alto [20,34]. Para evitar situaciones accidentales,
establecemos cuatro condiciones para cada nivel umbral de desplazamiento de tierras.
El nivel 1 se considera la condición a la que hay que empezar a prestar atención.
Las condiciones de fijación del umbral son las siguientes:
(1) Entre el 85% y el 95% del valor añadido máximo de la historia;
(2) Del 95% al 100% del segundo mayor valor añadido de la historia;
(3) Del 95% al 105% del tercer mayor aumento de la historia;
(4) Mayor que la suma de los desplazamientos por corrimiento de tierras en los 5 meses
consecutivos anteriores.
El nivel 2 se considera una situación que requiere vigilancia. Las condiciones de
ajuste del umbral son las siguientes:
(1) 95-100% del máximo valor añadido de la historia;
(2) 100-105% del segundo mayor valor añadido de la historia;
(3) 105-110% del tercer mayor aumento de la historia;
(4) Mayor que el desplazamiento total por corrimiento de tierras en los 8 meses
consecutivos anteriores. El nivel 3 se considera un caso grave. Las condiciones de
fijación del umbral son las siguientes:
(1) 100-105% del valor añadido máximo de la historia;
(2) 105-110% del segundo mayor valor añadido de la historia;
(3) 110-115% del tercer mayor aumento de la historia;
(4) Mayor que el desplazamiento total por corrimiento de tierras en los 11 meses
consecutivos anteriores.
El nivel 4 se considera la condición más grave. Las condiciones de fijación del umbral
son las siguientes:
(1) Superior al 105% del valor añadido máximo histórico;
(2) Más del 110% del segundo mayor valor añadido;
(3) Más del 115% del tercer mayor valor añadido;
(4) Mayor que el desplazamiento total por corrimiento de tierras en los 14 meses
consecutivos anteriores.
Cuando alguno de los parámetros cumpla las condiciones, la supervisión en tiempo
real emitirá una alerta. Cuando se activen varios niveles de alerta, la supervisión en
tiempo real seleccionará el nivel de alerta más alto para emitir una alerta temprana.
Los ajustes del umbral de desplazamiento del corrimiento de tierras se muestran en la
Tabla 1.

Tabla 1. Ajustes del umbral de desplazamiento de tierras.

Parámetro Ajuste del umbral y nivel de advertencia

Nivel 1 Nivel 2 Nivel 3 Nivel 4
Desprendimiento Aumento 179,1-188,5 Aumento 188,5-197,9 Aumento 197,9-207,4 Aumento superior a 2 0 7,4
desplazamien
Más que los 5 meses Más que los 8 meses Más que en los 11 Más que en los 14 meses
to
anteriores juntos anteriores juntos meses anteriores anteriores juntos
juntos

3.3. Situación real de alerta

Normalmente, en el proceso de validación del rendimiento del modelo, los datos
brutos se dividen en un conjunto de datos de entrenamiento y un conjunto de datos de
prueba. El conjunto de datos de entrenamiento se utiliza para entrenar el modelo, y el
Matemáticas 2023, 11, 2833 21 de 32
conjunto de datos de prueba se utiliza para probar el modelo y verificar su rendimiento.
El uso de datos de entrada razonables puede mejorar el rendimiento de predicción del
modelo [69]. Para que un modelo de predicción esté adecuadamente entrenado, se
necesitan tantos datos de entrenamiento como sea posible. Sin embargo, para evaluar el
rendimiento del modelo, se necesitan más datos de prueba. En ambos casos, se necesitan
datos abundantes. Basándonos en la situación anterior, 108 puntos de datos se dividieron
uniformemente en dos partes
Matemáticas 2023, 11, 2833 22 de 32

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

3.4. Advertencia por modelo apilado

En el submodelo de predicción, el desplazamiento de los deslizamientos proporciona
una información más directa sobre su desarrollo que los parámetros de precipitación y
nivel de embalse, por lo que en este estudio se utilizan cinco tipos de modelos para predecir
el desplazamiento de los deslizamientos. Los modelos de predicción anticipada adoptan
los mismos umbrales y niveles de alerta que los utilizados para el seguimiento en tiempo
real del desplazamiento de tierras. En este estudio, el desplazamiento del deslizamiento se
predice basándose en un modelo LSTM, un modelo BiLSTM, un modelo LSTM-FC [49], un
modelo BiLSTM doble [50] y un modelo LMD-BiLSTM [51]. En la Figura 9 se muestra
una comparación entre los resultados y los valores reales de desplazamiento del
deslizamiento.
En función de los datos de desplazamiento de los corrimientos de tierras
predichos por los cinco modelos y de los umbrales de alerta establecidos, los modelos
de predicción generan múltiples alertas. Las estadísticas de predicción y alerta de cada
modelo se muestran en la Tabla 4 para el conjunto de datos de prueba.
Matemáticas 2023, 11, 2833 23 de 32

Figura 9. Comparaciones entre los resultados de cinco modelos de predicción anticipada y los datos
reales.

Tabla 4. Advertencias para cada modelo de predicción.

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 - -

La Tabla 4 muestra varias características de los modelos predictivos de alerta

temprana. La primera es que, en niveles de alerta elevados, el modelo propuesto realiza
fácilmente una evaluación de alerta temprana. Aunque el nivel de alerta no siempre es
totalmente exacto, las alertas de bajo nivel también se emiten adecuadamente. Esto puede
deberse a que las características numéricas son más definidas en los niveles de alerta altos;
en particular, aunque se produzca una fluctuación en la predicción, ésta seguirá estando
dentro del intervalo de alerta. Además, todos los modelos predictivos de alerta temprana
producen falsas alertas. Aunque el número de falsas alertas no es especialmente elevado,
puede tener repercusiones en situaciones reales. Además, en el caso de las alertas de
nivel 1, si la condición de umbral está cerca del valor crítico, es fácil que se produzca un
sesgo de juicio, que lleve a omitir las alertas.
Después de que los submodelos de advertencia de la primera capa produzcan
advertencias, los resultados de la predicción de cada submodelo se introducen en el
modelo LightGBM de la segunda capa, la información de advertencia del conjunto de
datos de prueba se utiliza como estándar, se ajustan los parámetros del modelo
LightGBM y se obtiene el valor final de advertencia del modelo de apilamiento. En la
tabla 5 se muestra una comparación estadística entre la información de advertencia
real y las predicciones en cada punto temporal.
Como se muestra en la Tabla 5, aunque el tiempo de aviso y el nivel del modelo de
apilamiento no son precisos al 100%, existen diferencias entre las predicciones y la
información de aviso real. En concreto, se generan dos falsos avisos de nivel 1, se pasa
por alto un aviso de nivel 1 verdadero y un aviso de nivel 2 se cambia a nivel 1. Sin
embargo, por lo que respecta al efecto global de las advertencias, cinco de cada siete
advertencias se predicen con exactitud. Creemos que el modelo de apilamiento
Matemáticas 2023, 11, 2833 24 de 32

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.

Tiempo de Control en tiempo real Modelo apilable

advertencia
2008-10 Nivel 4 Nivel 4
2009-07 Nivel 2 Nivel 2
2010-07 Nivel 1 -
2010-08 Nivel 1 Nivel 1
2010-09 - Nivel 1
2011-07 Nivel 2 Nivel 1
2012-06 Nivel 1 Nivel 1
2012-07 - Nivel 1

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.

Tabla 6. Comparación de cinco modelos de predicción y el modelo de apilamiento.

AdvertenciaEn tiempo real Doble- LMD- Apilado

LSTM BiLSTM LSTM-FC
Tiempo Supervisión BiLSTM BiLSTM Modelo
2008-10 Nivel 4 Nivel 1 Nivel 1 Nivel 4 Nivel 4 Nivel 2 Nivel 4
2009-05 - - - - Nivel 1 - -
2009-07 Nivel 2 Nivel 2 Nivel 2 Nivel 1 Nivel 2 Nivel 2 Nivel 2
2010-04 - - - - - Nivel 1 -
2010-07 Nivel 1 - - - - - -
2010-08 Nivel 1 Nivel 1 Nivel 1 - - Nivel 1 Nivel 1
2010-09 - Nivel 1 Nivel 1 - Nivel 1 - Nivel 1
2011-07 Nivel 2 Nivel 1 Nivel 1 Nivel 1 Nivel 1 Nivel 1 Nivel 1
2012-06 Nivel 1 Nivel 1 - - Nivel 1 Nivel 1 Nivel 1
2012-07 - - Nivel 1 Nivel 1 - - -

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

excesivamente conservadores. El aprendiz de metal de la segunda capa del modelo de

apilamiento utiliza los niveles de advertencia emitidos por el aprendiz base de la primera
capa. El modelo LightGBM
Matemáticas 2023, 11, 2833 26 de 32

se ajusta en función de la tasa de aciertos del alumno base tras el entrenamiento y el

aprendizaje, lo que reduce eficazmente las falsas alertas, disminuye los gastos
humanos y materiales y mejora la eficacia de la alerta. Aunque las tres métricas de
rendimiento de alerta son las mismas para los modelos LSTM, LMDBiLSTM y de
apilamiento, los niveles obtenidos con el modelo de apilamiento son los más cercanos a
los niveles reales, por lo que el modelo de apilamiento es el más preciso.

Figura 10. Comparación de cinco modelos de predicción y el modelo de apilamiento.

Para describir la comparación con mayor precisión, se introducen cuatro índices

de error para analizar los resultados. En el cuadro 7 se muestra una comparación de
errores entre los valores reales controlados y los valores previstos.

Tabla 7. Comparación de los errores de predicción de los cinco modelos de alerta.

Máximo
Modelo Error mínimo Media relativa Raíz Media
Error Error Error
cuadrático
LSTM 0.53 73.98 13.59 17.25
BiLSTM 1.09 41.71 15.99 18.28
LSTM-FC 0.73 32.77 15.13 17.97
Doble-BiLSTM 1.00 56.51 13.08 16.07
LMD-BiLSTM 0.14 108.44 20.15 24.67

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

Tabla 8. Comparación de los resultados de alerta basados en diferentes estrategias de prioridad de

riesgos.

Estrategia de prioridad de riesgos Modelo de apilamiento

Adverten En tiempo
cia real Nivel máximo de
Nivel de alerta Nivel de alerta
Tiempo Supervisión advertencia Modelos
2008-10 Nivel 4 LSTM-FC/Doble-BiLSTM Nivel 4 Nivel 4
2009-05 - Doble-BiLSTM Nivel 1 -
2009-07 Nivel 2 BiLSTM/BiLSTM doble/LMD-BiLSTM Nivel 2 Nivel 2
2010-02 - LSTM Nivel 1 -
2010-04 - LMD-BiLSTM Nivel 1 -
2010-07 Nivel 1 - - -
2010-08 Nivel 1 LSTM/BiLSTM/LMD-BiLSTM Nivel 1 Nivel 1
2010-09 - LSTM/BiLSTM/Doble-BiLSTM Nivel 1 Nivel 1
LSTM/BiLSTM/LSTM-FC/Doble
2011-07 Nivel 2 Nivel 1 Nivel 1
BiLSTM/LMD-BiLSTM
2012-06 Nivel 1 LSTM/BiLSTM/Doble-BiLSTM Nivel 1 Nivel 1
2012-07 - BiLSTM/LSTM-FC Nivel 1 -

Creemos que el modelo de apilamiento propuesto en este trabajo contribuye

positivamente a la predicción y gestión del riesgo de deslizamientos. En este trabajo se
propone un novedoso modelo de predicción y alerta anticipada para emitir
información de alerta temprana antes de que se produzca una catástrofe. Esto podría
inspirar a otros investigadores a desarrollar otros tipos de modelos de alerta predictiva.
Este modelo resuelve el principal problema de los modelos existentes de predicción
del riesgo de deslizamiento, a saber, que el tiempo de alerta temprana era limitado, y
proporciona una nueva dirección de investigación para la prevención y reducción de
desastres. El modelo de apilamiento puede desempeñar un papel orientador en la
gestión de las zonas propensas a los deslizamientos, de modo que los responsables de
la toma de decisiones puedan realizar preparativos con antelación en función de los
resultados de las previsiones y las alertas adecuadas y reducir las pérdidas de personas
y bienes.
En resumen, el modelo de predicción y alerta anticipada propuesto, basado en un
algoritmo de fusión de apilamiento, puede utilizarse eficazmente para la prevención y
mitigación de catástrofes provocadas por corrimientos de tierras y constituye una
herramienta importante para reducir las víctimas y las pérdidas económicas. Sin
embargo, el modelo propuesto en este artículo tiene algunas limitaciones. En primer
lugar, sólo se tienen en cuenta los datos del desprendimiento de Baishuihe, y es posible que
otros tipos de desprendimientos no puedan simularse eficazmente con el modelo
propuesto. En segundo lugar, sólo se predicen los datos de desplazamiento de los
deslizamientos, un enfoque relativamente poco exhaustivo. Por ello, en el futuro se
estudiará la predicción de los datos de precipitaciones y del nivel de los embalses. En
tercer lugar, el modelo de apilamiento propuesto en este artículo aún puede mejorarse. A
continuación, lo perfeccionaremos para aumentar la precisión de la predicción de la
alerta temprana.

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

estado del deslizamiento, se resumen cuatro umbrales de nivel de alerta y las

c o n d i c i o n e s d e activación de cada nivel de alerta. De acuerdo con las condiciones
de umbral de alarma establecidas, se obtienen los resultados de alarma de todo el ciclo de
monitorización. A continuación, se comparan cinco modelos distintos de predicción y
apilamiento, el modelo de apilamiento propuesto y los resultados reales para verificar la
eficacia del modelo propuesto. Por último, los resultados de la simulación
Matemáticas 2023, 11, 2833 29 de 32

. El experimento de simulación y la comparación de resultados muestran que el

algoritmo de fusión de apilamiento y el modelo avanzado de predicción y alerta de
deslizamientos pueden mejorar eficazmente el tiempo de alerta anticipada, y la
precisión del resultado de la fusión es superior a la de los modelos individuales de
predicción y alerta. El modelo propuesto reduce la aparición de falsas alarmas y puede
evitar eficazmente las alertas fallidas que suelen producirse en casos con modelos de
predicción y alerta únicos, satisfaciendo así mejor las necesidades reales de los
escenarios de prevención de catástrofes. Al final de este documento, se discuten las
ventajas y desventajas de la estrategia de prioridad de peligros. Esta estrategia puede
utilizarse como sustituto del apilamiento de modelos en el periodo de alerta temprana. En
general, el modelo propuesto puede aplicarse a otros corrimientos de tierras en zonas con
condiciones geológicas y pluviométricas similares, reduciendo así los costes y el tiempo
de investigación.

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.