Local Intrinsic Dimensionality of Ground Motion Data for Early Detection of Complex Catastrophic Slope Failure

📄 arXiv: 2601.03569v1 📥 PDF

作者: Yuansan Liu, Antoinette Tordesillas, James Bailey

分类: cs.LG, stat.AP

发布日期: 2026-01-07

备注: 9 pages, 7 figures

💡 一句话要点

提出时空局部本征维度(stLID)方法，用于早期检测复杂灾难性滑坡

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 滑坡检测 局部本征维度 时空数据分析 地质灾害预警 贝叶斯估计

📋 核心要点

  1. 现有滑坡检测方法难以有效捕捉位移数据中固有的空间相关性和时间动态。
  2. 论文提出时空局部本征维度(stLID)方法，融合运动学增强、空间融合和时间建模，提升滑坡检测能力。
  3. 实验结果表明，stLID在失效检测精度和提前期方面均优于现有方法，具有显著优势。

📝 摘要（中文）

局部本征维度(LID)已显示出在识别高维数据中的异常值和离群值方面的强大潜力，包括颗粒介质中的滑坡失效检测。早期和准确地识别滑坡易发区域的失效区域对于有效的地质灾害缓解至关重要。现有方法通常依赖于通过统计或机器学习技术分析的表面位移数据，但它们通常无法捕捉此类数据中固有的空间相关性和时间动态。为了解决这一差距，我们专注于地面监测的滑坡，并引入了一种新方法，该方法共同结合了空间和时间信息，从而能够检测复杂的滑坡，包括发生在同一斜坡不同区域的多次连续失效。具体来说，我们的方法建立在现有的基于LID的技术（称为sLID）之上。我们通过三种关键方式扩展了其功能：(1)运动学增强：我们将速度纳入sLID计算中，以更好地捕捉短期时间依赖性和变形率关系。(2)空间融合：我们应用贝叶斯估计来聚合空间邻域中的sLID值，从而有效地将空间相关性嵌入到LID分数中。(3)时间建模：我们引入了一种时间变体tLID，该变体从时间序列数据中学习长期动态，从而提供位移行为的鲁棒时间表示。最后，我们将这两个组件集成到一个统一的框架中，称为时空LID(stLID)，以识别在任一维度或两个维度上都是异常的样本。大量实验表明，stLID在失效检测精度和提前期方面始终优于现有方法。

🔬 方法详解

问题定义：现有滑坡检测方法，如基于表面位移数据的统计或机器学习方法，无法充分捕捉滑坡数据中的空间相关性和时间动态，导致检测精度和提前期不足。尤其对于复杂滑坡，例如在同一斜坡不同区域发生多次连续失效的情况，现有方法难以有效识别。

核心思路：论文的核心思路是将空间和时间信息共同融入到局部本征维度(LID)的计算中，构建一个时空局部本征维度(stLID)框架。通过运动学增强捕捉短期时间依赖性，通过空间融合嵌入空间相关性，通过时间建模学习长期动态，从而更全面地描述滑坡的演化过程。

技术框架：stLID框架主要包含三个核心模块：1) 运动学增强的sLID计算：将速度信息融入到sLID计算中，增强对短期时间依赖性和变形率关系的捕捉能力。2) 基于贝叶斯估计的空间融合：利用贝叶斯估计聚合空间邻域内的sLID值，将空间相关性嵌入到LID分数中。3) 时间建模的tLID：通过时间序列分析，学习位移行为的长期动态，提供鲁棒的时间表示。最后，将这三个模块的结果进行整合，得到最终的stLID值。

关键创新：论文的关键创新在于将局部本征维度(LID)的概念扩展到时空域，并提出了一种融合运动学信息、空间相关性和时间动态的stLID框架。与传统的基于表面位移数据的方法相比，stLID能够更全面地捕捉滑坡的演化过程，从而提高检测精度和提前期。此外，将贝叶斯估计应用于空间融合，以及引入tLID进行时间建模，也是重要的技术创新。

关键设计：运动学增强部分，具体如何将速度信息融入sLID计算，论文中未详细说明，属于未知细节。空间融合部分，贝叶斯估计的具体实现方式（例如先验概率的选择）也属于未知细节。时间建模部分，tLID的具体模型结构（例如是否使用了循环神经网络）以及训练方式也属于未知细节。这些细节需要在阅读原文后才能确定。

📊 实验亮点

实验结果表明，所提出的stLID方法在滑坡失效检测的精度和提前期方面均优于现有方法。具体的性能数据和对比基线需要在阅读原文后才能确定，但摘要中明确指出stLID在失效检测精度和提前期方面始终优于现有方法，表明该方法具有显著的优势。

🎯 应用场景

该研究成果可应用于滑坡易发区域的早期预警系统，通过分析地面监测数据，及时发现潜在的滑坡风险，为地质灾害防治提供决策支持。该方法还可以推广到其他地质灾害的监测和预警，例如泥石流、崩塌等。此外，该方法在智慧城市建设、基础设施安全监测等领域也具有潜在的应用价值。

📄 摘要（原文）

Local Intrinsic Dimensionality (LID) has shown strong potential for identifying anomalies and outliers in high-dimensional data across a wide range of real-world applications, including landslide failure detection in granular media. Early and accurate identification of failure zones in landslide-prone areas is crucial for effective geohazard mitigation. While existing approaches typically rely on surface displacement data analyzed through statistical or machine learning techniques, they often fall short in capturing both the spatial correlations and temporal dynamics that are inherent in such data. To address this gap, we focus on ground-monitored landslides and introduce a novel approach that jointly incorporates spatial and temporal information, enabling the detection of complex landslides and including multiple successive failures occurring in distinct areas of the same slope. To be specific, our method builds upon an existing LID-based technique, known as sLID. We extend its capabilities in three key ways. (1) Kinematic enhancement: we incorporate velocity into the sLID computation to better capture short-term temporal dependencies and deformation rate relationships. (2) Spatial fusion: we apply Bayesian estimation to aggregate sLID values across spatial neighborhoods, effectively embedding spatial correlations into the LID scores. (3) Temporal modeling: we introduce a temporal variant, tLID, that learns long-term dynamics from time series data, providing a robust temporal representation of displacement behavior. Finally, we integrate both components into a unified framework, referred to as spatiotemporal LID (stLID), to identify samples that are anomalous in either or both dimensions. Extensive experiments show that stLID consistently outperforms existing methods in failure detection precision and lead-time.