Landslide monitoring data are characterized by scatter that can make the velocity and acceleration of a landslide unclear. The presence of scatter can therefore influence the reliability of an early warning system (EWS) too. Data filters such as simple moving average (SMA) are commonly used to reduce scatter in the data and enhance the reliability of EWSs. Therefore, evaluating the adequacy of these filters to reproduce displacement characteristics representative of the landslide is important. Gaussian-weighted moving average (GWMA) and Savitzky-Golay (SG) filters are examined here against SMA. To this aim, a comprehensive numerical analysis of a synthetic database was carried out on accelerating scenarios to quantify the reliability of each filter to detect the onset of acceleration and forecast the failure time using the inverse velocity method. GWMA and SG applications in the synthetic scenarios reached reliability thresholds of 90% at 30% and 4% of the corresponding time by SMA, respectively, and provided a timelier capture of moment patterns. Specifically, these synthetic cases show the application of GMWA and SG improves failure time forecasting by 60 to 80% and 90 to 100%, respectively, compared to SMA depending on the amount of data used by the filter and the remaining time to failure. Additionally, nine failed cases (17 datasets) from the literature were examined after employing these three filters. Results of these cases show using alternatives to SMA would increase the accuracy of failure time forecasts by 60%.

滑坡监测数据具有分散性，可能使滑坡的速度和加速度不清楚。因此，分散的存在也会影响早期预警系统 (EWS) 的可靠性。简单移动平均线 (SMA) 等数据过滤器通常用于减少数据的分散性并提高 EWS 的可靠性。因此，评估这些过滤器是否足以再现代表滑坡的位移特征很重要。此处针对 SMA 检查了高斯加权移动平均 (GWMA) 和 Savitzky-Golay (SG) 滤波器。为此，对加速场景进行了综合数据库的综合数值分析，以量化每个滤波器的可靠性，以检测加速的开始并使用反速度方法预测故障时间。合成场景中的 GWMA 和 SG 应用分别在 SMA 相应时间的 30% 和 4% 时达到了 90% 的可靠性阈值，并提供了更及时的矩模式捕获。具体来说，这些综合案例表明，与 SMA 相比，GMWA 和 SG 的应用分别将故障时间预测提高了 60% 到 80% 和 90% 到 100%，具体取决于过滤器使用的数据量和剩余的故障时间。此外，在使用这三个过滤器后，对文献中的 9 个失败案例（17 个数据集）进行了检查。这些案例的结果表明，使用 SMA 的替代品可以将故障时间预测的准确性提高 60%。并提供了更及时的时刻模式捕捉。具体来说，这些综合案例表明，与 SMA 相比，GMWA 和 SG 的应用分别将故障时间预测提高了 60% 到 80% 和 90% 到 100%，具体取决于过滤器使用的数据量和剩余的故障时间。此外，在使用这三个过滤器后，对文献中的 9 个失败案例（17 个数据集）进行了检查。这些案例的结果表明，使用 SMA 的替代品可以将故障时间预测的准确性提高 60%。并提供了更及时的时刻模式捕捉。具体来说，这些综合案例表明，与 SMA 相比，GMWA 和 SG 的应用分别将故障时间预测提高了 60% 到 80% 和 90% 到 100%，具体取决于过滤器使用的数据量和剩余的故障时间。此外，在使用这三个过滤器后，对文献中的 9 个失败案例（17 个数据集）进行了检查。这些案例的结果表明，使用 SMA 的替代品可以将故障时间预测的准确性提高 60%。在使用这三个过滤器后，检查了文献中的 9 个失败案例（17 个数据集）。这些案例的结果表明，使用 SMA 的替代品可以将故障时间预测的准确性提高 60%。在使用这三个过滤器后，检查了文献中的 9 个失败案例（17 个数据集）。这些案例的结果表明，使用 SMA 的替代品可以将故障时间预测的准确性提高 60%。