基于 VSXC-LSTM 算法的滑坡地表位移预测
本文提出了一种使用自筛选图卷积和长短期记忆网络的山体滑坡易损性预测模型来解决传统机器学习模型在样本误差和环境因素等方面存在的不确定性问题，并与几种常规机器学习方法进行了比较，实验结果显示，SGCN-LSTM 模型具有更高的预测精度和更好的鲁棒性，具有很好的应用前景。
Apr, 2023
采用不同的方法研究了统计学、机器学习和深度学习模型在预测滑坡易发性方面的可解释性，并比较了这些模型的准确性。结果表明，卷积神经网络模型在准确性方面表现最好，而极限梯度提升和支持向量机也具有强大的预测能力，优于传统的统计模型。然而，模型的解释能力因模型而异，尤其是在使用较广泛的 19 个贡献因素时。使用专门的 9 个触发因素增加了模型的可解释性，但降低了一些预测能力。
May, 2024
使用迁移学习的方法，提出了一种基于视觉基础模型 (VFM) 的滑坡语义分割方法 TransLandSeg，其通过训练 SAM 的 1.3% 的参数数量，将其强大的分割能力成功转移到滑坡检测中，从而大大提高了模型的训练效率。通过对不同 ATL 结构的模型进行剔除实验，发现 ATL 的部署位置和残差连接对于 TransLandSeg 的准确性改进起到重要作用。
Mar, 2024
使用多个分割模型和不同的数据集，构建一个集成模型来提高山体滑坡地貌图的制作精度。集成模型使用 Sentinel-1 和 Sentinel-2 波段结合，以及通过植被指数 dNDVI 的变化来构建一个健全可靠的监测系统。
Sep, 2023
本研究提出了一种动态滑坡易发性测绘方法，该方法采用多个预测模型进行年度滑坡易发性评估，并利用少量样本和渐变更新的方式进行元学习表示推断，使用 SHAP 进行模型解释和滑坡特征置换。此外，还应用 MT-InSAR 方法进行滑坡易发性结果增强和验证，在香港的大屿山地区进行了从 1992 年到 2019 年的全面动态滑坡易发性评估，结果表明，大屿山地区滑坡的主要触发因素是地形坡度和极端降雨，且滑坡原因的变化主要归因于全球气候变化和香港政府实施的滑坡预防和减灾项目（LPMitP）的影响。
Aug, 2023
本研究通过深度学习和极值理论模型，使用观测降雨诱发滑坡的 30 年清单数据，以及不同气候变化情景下多个回程期的数据，开发了一个统一模型来估计山体滑坡的灾害风险，结果显示该模型性能优异，能够以统一的方式建模滑坡灾害风险。在地貌上，我们发现在两个气候变化情景（SSP245 和 SSP885）下，喜马拉雅山脉下部地区的山体滑坡风险平均增加了两倍，中部地区保持不变，而上部地区略有减少。
Jan, 2024
利用基于 Transformer 的深度学习网络，结合先前知识和多源数据，预测滑坡行为，提高综合性滑坡预测能力，揭示滑坡演化和时态模式的全面理解，并通过验证模型在三峡库区滑坡和青藏高原潜在滑坡的表现，证明可解释性滑坡预测有效地确定各种滑坡的影响因素，使滑坡行为和趋势更具可解释性和可预测性。
Jul, 2023
本研究基于空间点过程概率模型对意大利西西里岛触发的约 5000 起山体滑坡事件进行了定量研究，通过贝叶斯估计法计算后验概率预测滑坡概率分布，较传统的地质学简化模型具有更高的精度，充分涵盖了多重分区分层和地貌学因素对滑坡发生的影响。
Aug, 2017
本文探讨利用卷积神经网络，并提出了局部对齐卷积神经网络模型，针对地表土石滑坡进行预测，该模型在准确度和对数似然方面相对于其他模型均有所提升，通过对各种异质特征进行输入，对滑坡进行预测。
Nov, 2019