Штучний інтелект точніше виявляє небезпечні зсуви у горах

14 серпня 2026 р. 20:27

14 серпня 2026 р. 20:27

Зсуви ґрунту належать до найнебезпечніших природних загроз у гірських регіонах: вони можуть за лічені хвилини перерізати дороги, накрити населені пункти та пошкодити критичну інфраструктуру. Попри це, визначити, де саме вони найбільш імовірні, досі дуже складно. У новій роботі, про яку повідомляє видання Scienmag , дослідники Т. Ван (T. Wang), Х. Су (H. Su), Ц. Цзен (J. Zeng) та їхні колеги пропонують обчислювальний підхід, що робить карти схильності до зсувів точнішими й водночас зрозумілішими для користувачів.

Команда поєднала дві активно зростаючі галузі штучного інтелекту: оптимізацію гіперпараметрів та пояснюваний штучний інтелект (explainable AI, XAI). Мета — підвищити якість карт, які показують, де в горах ризик зсуву вищий, а де нижчий, не намагаючись передбачити точний час події.

Як працюють карти схильності до зсувів

Картування схильності до зсувів не прогнозує конкретну дату чи годину обвалу. Натомість воно оцінює, наскільки ймовірно, що схил у певному місці зазнає руйнування за наявних умов довкілля. До таких умов належать, зокрема, висота місцевості, крутість схилу, геологічна будова, опади, тип земного покриву, відстань до річок, доріг чи тектонічних розломів.

Поєднуючи ці змінні з даними про минулі зсуви, моделі машинного навчання виявляють закономірності, пов’язані з нестійкими схилами. Результатом стають карти, які ділять територію на зони з різним рівнем схильності. Такі карти допомагають планувальникам і службам цивільного захисту вирішувати, де посилювати моніторинг і заходи зі зниження ризику.

Складність у тому, що гірське середовище дуже різноманітне. Крутий схил може залишатися стабільним десятиліттями завдяки міцній породі й доброму дренажу, тоді як не надто стрімкий схил руйнується після сильних дощів, якщо його послаблюють тріщинуваті породи, будівництво чи зміни рослинності. До того ж чинники довкілля діють не лінійно: вплив опадів залежить від типу ґрунтів, форми схилу, рівня ґрунтових вод і інших особливостей.

Звичайні статистичні методи часто не здатні адекватно описати такі складні взаємозв’язки. Алгоритми машинного навчання з цим краще справляються, але нерідко втрачають прозорість: вони дають відповідь, проте незрозуміло, чому саме таку.

Оптимізація гіперпараметрів: налаштувати модель під гори

Щоб розв’язати цю проблему, дослідники поєднали моделі прогнозування зсувів із систематичною оптимізацією гіперпараметрів. Гіперпараметри — це налаштування, які задають до початку навчання моделі. Вони визначають, наприклад, глибину дерева рішень, кількість дерев в ансамблі, швидкість навчання алгоритму бустингу або силу регуляризації.

Саме ці вибори суттєво впливають на здатність моделі розрізняти стабільні та нестабільні ділянки. Якщо гіперпараметри підібрані невдало, модель або «недонавчається» і пропускає важливі закономірності, або «переобучається» — показує чудові результати на тренувальних даних, але погано працює на нових територіях.

Замість покладатися лише на ручний добір налаштувань, автори застосували процедури оптимізації, які автоматично шукають комбінації гіперпараметрів із кращими прогностичними властивостями. Алгоритм перебирає різні конфігурації та відбирає ті, що найнадійніше розділяють області з відомими зсувами й території без зафіксованих обвалів.

Для гірських регіонів, де дані часто розподілені нерівномірно, а умови різко змінюються на невеликих відстанях, це особливо важливо. Кращий добір гіперпараметрів допомагає «витягти» з складних екологічних наборів даних корисний сигнал і зменшити ризик появи хибних схем схильності на картах.

Пояснюваний ШІ: від «чорної скриньки» до зрозумілих причин

Втім, висока точність — лише частина задачі. Моделі штучного інтелекту часто критикують як «чорні скриньки»: вони дають прогноз, але не пояснюють, як до нього дійшли. Для управління ризиками зсувів це принципово. Влада навряд чи захоче планувати евакуацію, будівництво доріг чи обмеження забудови, спираючись на карту, яка не розкриває причин, чому певне місце визнано небезпечним.

Підходи XAI якраз і покликані «відкрити» цю скриньку, показуючи, як окремі чинники довкілля впливають на вихід моделі як загалом по всій території, так і в конкретній точці. У запропонованій Ваном і колегами схемі пояснюваність дає змогу оцінити відносний внесок кожної змінної в класифікацію.

Такі методи дозволяють з’ясувати, чи саме крутість схилу, висота, опади, геологія, тип покриву чи інші фактори визначають, що певну ділянку віднесено до зони підвищеної небезпеки. XAI також показує, чи змінна загалом підвищує схильність до зсуву, знижує її або має складніший, просторово змінний вплив.

Ці інсайти важливі тому, що поєднують статистичну поведінку моделі з усталеними геологічними й геоморфологічними уявленнями. Так фахівці можуть перевірити, чи є передбачення моделі фізично правдоподібними, а не випадковим результатом перекосів у даних.

Баланс між точністю та науковою відповідальністю

Об’єднання оптимізації та пояснюваності створює зворотний зв’язок між обчислювальною ефективністю та науковою інтерпретацією. Навіть дуже точна модель може бути проблемною, якщо спирається на фіктивні залежності, неповні каталоги зсувів або упереджені дані. І навпаки, модель, яку легко тлумачити, може виявитися недостатньо точною для практичного використання.

Запропонований підхід оцінює і якість прогнозу, і причини, що стоять за цим прогнозом. Так дослідники прагнуть до більш збалансованої форми штучного інтелекту — не лише потужного, а й інтерпретованого та науково відповідального.

Робота з’являється на тлі зростаючого тиску на вразливі гірські ландшафти через зміну клімату, швидку урбанізацію та розширення транспортних мереж. Інтенсивніші дощі можуть підвищувати ймовірність зсувів, насичуючи ґрунт водою, тоді як будівництво доріг і зміни землекористування порушують дренаж і забирають стабілізуючу рослинність.

Докладні карти схильності дозволяють заздалегідь виявляти небезпечні схили перед погодженням нових проєктів, а також планувати розташування датчиків, систем раннього попередження та розподіл ресурсів для аварійних служб. Дослідження не усуває невизначеність, притаманну прогнозуванню зсувів, але пропонує шлях до карт, які водночас точніші й краще пояснені.

Значення роботи виходить за межі зсувів. Її центральний принцип — оптимізувати моделі штучного інтелекту й паралельно пояснювати їхні рішення — можна застосовувати до інших природних небезпек: повеней, лісових пожеж, селевих потоків, зсувів, викликаних землетрусами. У міру того як машинне навчання дедалі глибше вбудовується в системи громадської безпеки, здатність зрозуміти, чому алгоритм робить той чи інший прогноз, стає не менш важливою, ніж сам прогноз.

Поєднуючи оптимізацію гіперпараметрів і XAI для складних гірських середовищ, команда Вана, Су, Цзена та їхніх співавторів показує, як карти небезпек наступного покоління можуть вийти за межі простих «балів ризику» та перетворитися на прозорі інструменти, яким можуть довіряти науковці, інженери й місцеві громади.

Наука