Application of Gaussian filter to improve forecasting of landslides failure time

ABSTRACT: Early-warning systems have been proven as robust tools to mitigate the consequences of landslides. Forecasting the failure time, an integrated part of such systems, is a challenging task due to scatters in acquisitions that obscure true values of deformations. As a result, an appropriate filter should be employed to minimize scatters and improve the accuracy of estimations. Aside from the forecasting technique, the reliability of such projections is dependent on the selected filter. Previous studies have evaluated the impact of filtration methods on displacements and interpreted velocities/accelerations. This paper evaluates the effect of simple and Gaussian-weighted moving average filters on the forecasted failure time. To this end, they have been applied to three case histories (8 datasets) and a series of synthetic datasets simulating unfiltered landslides' displacements. The results show that the simple moving average, frequently used because of its simplicity, is outperformed by the Gaussian filter by 60 to 80% improvements in the accuracy of forecasts.

RÉSUMÉ: Les systèmes d'alerte précoce se sont avérés être des outils robustes pour atténuer les conséquences des glissements de terrain. La prévision du temps de défaillance, partie intégrante de ces systèmes, est une tâche difficile en raison des dispersions dans les acquisitions qui obscurcissent les vraies valeurs des déformations. Par conséquent, un filtre approprié doit être utilisé pour minimiser les dispersions et améliorer la précision des estimations. Outre la technique de prévision, la fiabilité de ces projections dépend du filtre sélectionné. Des études antérieures ont évalué l'impact des méthodes de filtration sur les déplacements et interprété les vitesses/accélérations. Cet article évalue l'effet des filtres à moyenne mobile simples et à pondération gaussienne sur le temps de défaillance prévu. À cette fin, ils ont été appliqués à trois études de cas (8 jeux de données) et à une série de jeux de données synthétiques simulant les déplacements de glissements de terrain non filtrés. Les résultats montrent que la moyenne mobile simple, fréquemment utilisée en raison de sa simplicité, est surclassée par le filtre gaussien par des améliorations de 60 à 80 % de la précision des prévisions.