Abstract Slope deformation prediction is crucial for early warning of slope failure, which can prevent property damage and save human life. Existing predictive models focus on predicting the displacement of a single monitoring point based on time series data, without considering spatial correlations among monitoring points, which makes it difficult to reveal the displacement changes in the entire monitoring system and ignores the potential threats from nonselected points. To address the above problem, this paper presents a novel deep learning method for predicting the slope deformation, by considering the spatial correlations between all points in the entire displacement monitoring system. The essential idea behind the proposed method is to predict the slope deformation based on the global information (i.e., the correlated displacements of all points in the entire monitoring system), rather than based on the local information (i.e., the displacements of a specified single point in the monitoring system). In the proposed method, (1) a weighted adjacency matrix is built to interpret the spatial correlations between all points, (2) a feature matrix is assembled to store the time-series displacements of all points, and (3) one of the state-of-the-art deep learning models, i.e., T-GCN, is developed to process the above graph-structured data consisting of two matrices. The effectiveness of the proposed method is verified by performing predictions based on a real dataset. The proposed method can be applied to predict time-dependency information in other similar geohazard scenarios, based on time-series data collected from multiple monitoring points.

Forecasting landslide deformation is challenging due to influence of various internal and external factors on the occurrence of systemic and localized heterogeneities. Despite the potential to improve landslide predictability, deep learning has yet to be sufficiently explored for complex deformation patterns associated with landslides and is inherently opaque. Herein, we developed a holistic landslide deformation forecasting method that considers spatiotemporal correlations of landslide deformation by integrating domain knowledge into interpretable deep learning. By spatially capturing the interconnections between multiple deformations from different observation points, our method contributes to the understanding and forecasting of landslide systematic behavior. By integrating specific domain knowledge relevant to each observation point and merging internal properties with external variables, the local heterogeneity is considered in our method, identifying deformation temporal patterns in different landslide zones. Case studies involving reservoir-induced landslides and creeping landslides demonstrated that our approach (1) enhances the accuracy of landslide deformation forecasting, (2) identifies significant contributing factors and their influence on spatiotemporal deformation characteristics, and (3) demonstrates how identifying these factors and patterns facilitates landslide forecasting. Our research offers a promising and pragmatic pathway toward a deeper understanding and forecasting of complex landslide behaviors.

Abstract Data mining and analysis are critical for preventing or mitigating natural hazards. However, data availability in natural hazard analysis is experiencing unprecedented challenges due to economic, technical, and environmental constraints. Recently, generative deep learning has become an increasingly attractive solution to these challenges, which can augment, impute, or synthesize data based on these learned complex, high-dimensional probability distributions of data. Over the last several years, much research has demonstrated the remarkable capabilities of generative deep learning for addressing data-related problems in natural hazards analysis. Data processed by deep generative models can be utilized to describe the evolution or occurrence of natural hazards and contribute to subsequent natural hazard modeling. Here we present a comprehensive review concerning generative deep learning for data generation in natural hazard analysis. (1) We summarized the limitations associated with data availability in natural hazards analysis and identified the fundamental motivations for employing generative deep learning as a critical response to these challenges. (2) We discuss several deep generative models that have been applied to overcome the problems caused by limited data availability in natural hazards analysis. (3) We analyze advances in utilizing generative deep learning for data generation in natural hazard analysis. (4) We discuss challenges associated with leveraging generative deep learning in natural hazard analysis. (5) We explore further opportunities for leveraging generative deep learning in natural hazard analysis. This comprehensive review provides a detailed roadmap for scholars interested in applying generative models for data generation in natural hazard analysis.

Tunnels stand as indispensable pillars of transportation infrastructure, assuming a central and transformative role in fostering the sustainable evolution of urban. The excavation process of tunnels presents a spectrum of geological challenges, encompassing the potential for instability and collapse. Ensuring the stability of the tunnel is a top priority in tunnel construction. The destabilization leading to collapse in certain tunnels is intricately connected to the structural planes of the rock mass. Accurately obtaining the distribution of structural planes within the rock mass is the necessary basis for maintaining the stability of the tunnel. The conventional Monte Carlo method generates each parameter of stochastic structural planes separately without considering the correlations between the parameters. To address this limitation, we propose a stochastic structural plane generation method based on deep generative model (DGM). The model takes the measured factual structural plane data as input, and the neural network realizes the generation of structural plane data with automatic learning of the distribution law of structural planes and the correlations between each parameters without assuming the probability distribution of stochastic structural planes in advance. This method has been used for stochastic structural plane generation of the rock mass in the Yuelongmen tunnel located in Mianyang City, Sichuan Province. The validation results show that the proposed DGM‐based method automatically captures the correlation between structural plane parameters while ensuring the greater accuracy of the generated structural planes.

The warming and thawing of permafrost are the primary factors that impact the stability of embankments in cold regions. However, due to uncertainties in thermal boundaries and soil properties, the stochastic modeling of thermal regimes is challenging and computationally expensive. To address this, we propose a knowledge-integrated deep learning method for predicting the stochastic thermal regime of embankments in permafrost regions. Geotechnical knowledge is embedded in the training data through numerical modeling, while the neural network learns the mapping from the thermal boundary and soil property fields to the temperature field. The effectiveness of our method is verified in comparison with monitoring data and numerical analysis results. Experimental results show that the proposed method achieves good accuracy with small coefficient of variation. It still provides satisfactory accuracy as the coefficient of variation increases. The proposed knowledge-integrated deep learning method provides an efficient approach to predict the stochastic thermal regime of heterogeneous embankments. It can also be used in other permafrost engineering investigations that require stochastic numerical modeling.

The stochastic structural plane of a rock mass is the key factor controlling the stability of rock mass. Obtaining the distribution of stochastic structural planes within a rock mass is crucial for analyzing rock mass stability and supporting rock slopes effectively. The conventional Monte Carlo method generates each parameter of stochastic structural planes separately without considering the correlation between the parameters. To address the above problem, this study novelly uses the denoising diffusion probabilistic model (DDPM) to generate stochastic structural planes. DDPM belongs to the deep generative model, which can generate stochastic structural planes without assuming the probability distribution of stochastic structural planes in advance. It takes structural plane parameters as an integral input into the model and can automatically capture the correlations between structural plane parameters during generation. This idea has been used for stochastic structural plane generation of the Oernlia slope in the eastern part of Straumsvatnet Lake, Nordland County, north-central Norway. The accuracy was verified by descriptive statistics (i.e., histogram, box plot, cumulative distribution curve), similarity measures (i.e., mean square error, KL divergence, JS divergence, Wasserstein distance, Euclidean distance), error analysis, and the linear regression plot. Moreover, the linear regression plots between the dip direction and the dip angle verified that DDPM can effectively and automatically capture the correlation between parameters.