我校教师徐根祺的文章《Debris Flow Prediction Based on the Fast Multiple Principal Componenet Extraction and Optimized Broad Learning》被期刊《Water》（SCI三区）录用。徐根祺老师为第一作者，西安交通工程学院为第一单位。
在目前泥石流地质灾害预测研究中，确定合理的致灾因子及保证预测方法的准确性和快速性是关键问题，也是灾害预警和防灾减灾的重要基础。针对当前泥石流灾害研究中存在的预报准确度不高和预测时间较长的问题，首先依靠快速多个主成分并行提取算法（FMPCE），筛选出6个泥石流灾害影响因子，包括降雨量、山坡坡度、沟床比降、相对高差、土壤含水率和孔隙水压力；然后基于宽度学习（BL）算法，以泥石流致灾因子为输入，泥石流发生概率为输出，建立基于主成分并行提取和优化宽度学习的泥石流灾害预报模型；再利用矩阵随机近似奇异值分解（SVD）对模型进行优化构建基于SVDBL的泥石流灾害预测模型，以准确率、RMSE、MAPE以及AUC值等为指标将优化模型的预报结果与研究中常用的GD-BP模型、基于网格搜索的SVM模型以及BL模型的结果进行比较，结果表明，SVDBL的准确率比GD-BP高7.5%，比SVM高3%，比BL高0.5%；SVDBL的RMSE和分别比GD-BP、SVM和BL分别小0.0587、0.0478和0.0227；SVDBL的MAPE和分别比GD-BP、SVM和BL分别小1.95%、1.66%和0.49%；SVDBL的AUC值分别比上述三种模型高12.75%、7.64%和2.79%。此外，对输入数据集进行了扩展，从训练时间上对各模型进行比较。仿真结果表明，该模型的预报准确率最高，数据集扩展后的训练时间最短。本研究说明可以将宽度学习用于泥石流灾害预报，同时也可为灾害预警及防治提供借鉴。