Urbas landslide dynamics prediction using time series models and machine learning

Plazovi lahko resno ogrozijo človeška življenja in povzročijo ogromno gmotno škodo. Na dinamiko plazu običajno vpliva večje število zunanjih dejavnikov, zato je napovedovanje premikov težka naloga. V sodobnem času lahko premike plazov podrobno spremljamo z natančnimi merilnimi instrumenti in tako tvorimo množico podatkov, na podlagi katere gradimo razlagalne in napovedne modele. V magistrskem delu preizkušamo različne tehnike modeliranja premikov plazu Urbas, ki spada med bolj aktivne plazove v Sloveniji. Za modeliranje dinamike plazu uporabimo modele časovnih vrst in nevronsko mrežo z dolgim kratkoročnim spominom. Najboljše prileganje je dosegla nevronska mreža z dolgin kratkoročnim spominom, katere srednja kvadratna napaka je znašala 3,37 mm. Pri napovedovanju premikov se je najbolje odrezal linearni regresijski model s srednjo kvadratno napako 0,52 mm.Landslides can pose a serious threat to human lives and cause widespread property damage. Landslide dynamics are usually affected by numerous exogenous factors so forecasting landslide displacement can be difficult. Nowadays landslide parameters can be measured with precise instruments, and thus massive amounts of data can be gathered, which can be used to build explanatory and forecasting models. We experiment with different forecasting techniques on one of the most active landslides in Slovenia – the Urbas landslide. We use time series and long short-term memory neural network models to predict landslide displacement. Long short-term memory neural network model achieved the best fit with mean square error of 3.37 mm. Linear regression model achieved the best prediction with mean square error of 0.52 mm