科学 / 区域研究

研究根植
于 亚速尔群岛。

地球观测、环境数据与机器学习如何在 SOILRISK 的区域开发中相结合。

了解研究
研究背景
亚速尔群岛
方法
机器学习
原始模型输入
20+ 个影响因子

01 / 研究背后的问题

哪里可能发生
下一次滑坡
?

在亚速尔群岛,持续强降雨可能引发滑坡,威胁人员、住宅及基础设施。

SOILRISK 最初的案例研究旨在解决一个实际挑战:以足够的空间细节识别未来几天可能发生滑坡的位置,支持准备工作和应急规划。

研究汇集了地形和不断变化的环境状况信息。目标是从了解哪些坡地易发生滑坡,进一步理解风险可能如何随时间演变。

02 / 研究方法

多种因子。
整合在同一视图。

基于机器学习方法构建的专有早期预警算法。

SOILRISK 最初的方法介绍了超过 20 个影响因子。土地覆盖、地质、植被、土壤湿度、风、降水和地面运动分别提供不同的信息。

综合这些因子,模型既能考虑坡地特征,也能考虑周围不断变化的条件。

03 / 背后的信息

从卫星
到 本地状况。

原始技术概述介绍的四类数据来源。

01 / 地面形变

关注
坡地运动。

卫星雷达干涉测量(InSAR)有助于识别地表位移。这些观测补充了坡地活动在时间和空间上如何变化的信息,并可帮助发现孤立的不稳定区。

02 / 植被

了解
地表覆盖。

植被、土壤特性及坡度有助于识别易发生滑坡的区域。研究使用 Sentinel-2 图像计算反映植被状况的 NDVI 指数。

03 / 土壤湿度

跟踪
湿度变化。

最初的方法使用 Sentinel-1 雷达数据及变化检测来估算土壤湿度,并通过土地覆盖地图屏蔽估算可靠性较低的区域。

04 / 天气

加入不断变化的
环境条件。

降水和风作为动态变量输入算法。在有数据时,本地气象站的每小时观测与天气预报服务一起提供背景信息。

04 / 从研究到应用

扎根区域研究。
更广阔的视角。

亚速尔群岛的研究工作,是 Eyecon 自有 SOILRISK 模型的部分科学基础。

应用将区域性 SOILRISK 模型与全球 LHASA 信息、天气及兼容本地测量相结合。各来源具有各自的覆盖范围、分辨率和预报时效。

请在应用中查看适用于您所在地的模型和信息。这里介绍的区域研究不应被理解为全球适用的规格。

探索 SOILRISK 背后的科学

继续交流

想深入了解?

与团队交流亚速尔群岛的工作、研究方法或区域研究。

交流研究

基于亚速尔群岛案例研究及发布于以下网站的技术概述: SOILRISK 原网站 ↗.

摄影、视频与插画

图片与
视频。

这些图像用于展示环境场景,并非 SOILRISK 预测到的事件。