SMTG-Net：一种具有异质性感知能力的大规模城市地面沉降预测时空深度学习模型

《Environmental Modelling & Software》：SMTG-Net: A Spatiotemporal Deep Learning Model for Large-Scale Urban Land Subsidence Prediction with Heterogeneity Awareness

本文针对城市地面沉降预测中传统模型忽略时空异质性的问题，提出SMTG-Net模型。该模型通过空间掩码注意力机制捕捉局部变化，结合动态图卷积和时序分解机制提取多尺度时空特征，有效提升了预测精度。实验表明，SMTG-Net在武汉地区的测试中表现最优，验证了其在城市沉降监测中的创新性和实用性。

　　

周伟良|张东梅|徐曼

中国地质大学武汉学院计算机科学系

摘要

城市地面沉降是一种普遍存在的地质灾害，对生产和居民生活构成威胁。虽然合成孔径雷达干涉测量技术可以实现大规模监测，但传统模型往往忽略了时空异质性，从而降低了预测精度。为了解决这一问题，我们提出了SMTG-Net（空间掩码注意力与时序粒度网络），该网络旨在提取空间结构特征和时间动态模式。它通过具有双阈值机制的空间因子掩码矩阵捕捉空间局部变化，并利用带有门控循环单元的动态图卷积来提取动态空间依赖性。时间分解机制将数据分为趋势成分和周期成分，而多粒度协作编码器则学习全局和局部特征。使用2020年1月至2023年8月中国武汉地区的Sentinel-1A数据进行的实验表明，SMTG-Net在RMSE、MAE和MAPE指标上优于GCN、GAT、STGCN、Graph WaveNet和STTNs。SMTG-Net能够有效建模时空异质性，提供准确的预测结果，为城市地面沉降监测提供了一种新的方法。

章节摘录

软件和数据可用性：

本研究开发的软件使用Python（3.9版本）编写，主要依赖于PyTorch库。源代码及示例数据集可在GitHub仓库中获取：https://github.com/SYIRPi/SMTGNet_predict_in_subsidence。该仓库由周伟良（[e-mail]）于2025年创建。程序代码和示例数据的总大小约为392KB。

所有实验均在运行Windows 10操作系统的系统上进行。

方法论

本节详细介绍了城市地面沉降的预测模型。2.1节概述了SMTG-Net的架构。2.2节深入探讨了基于空间因子掩码的多头注意力机制。2.3节讨论了多尺度时间序列特征提取模块，重点介绍了时间序列分解机制。

实验与分析

本章介绍了研究领域、实验数据集和实验设计。本文主要关注武汉典型沉降区域的地面沉降预测，将模型的预测结果与其他基准模型进行比较，并对研究中提出的创新模块进行了消融实验。

消融实验

SMTG-Net模型在时间特征提取模块中采用了多粒度协作时间编码器架构，并在空间特征提取模块中引入了空间掩码注意力机制。为了进一步评估这些改进的有效性，我们在测试集上进行了消融实验，以分析每个改进模块对模型预测性能的贡献。

为了系统地评估每个改进模块的贡献...

结论

城市地面沉降对经济活动和居民生活构成严重威胁，因此准确预测沉降情况至关重要。传统的沉降预测研究往往忽略了受多种因素影响的复杂空间异质性和多样的时间变化模式。本研究提出了SMTG-Net，这是一种针对城市地面沉降预测设计的空间异质性和多粒度时间协同编码器模型。

CRediT作者贡献声明

徐曼：可视化、验证、监督、数据整理。张东梅：撰写 – 审稿与编辑、监督、概念化。周伟良：撰写 – 原稿撰写、验证、调查、正式分析

未引用文献

Geertsma, 1973; Tien Bui等人, 2018; Hochreiter和Schmidhuber, 1997; Liu等人, 2021; Kipf和Welling, 2017; Liu等人, 2022; Lim等人, 2021; Han等人, 2022; Huang等人, 2019; Ye等人, 2022; Liu等人, 2021.

资助

本工作得到了国家自然科学基金重点项目（项目编号U1911205）的支持，同时也得到了湖北省自然资源厅技术项目（项目编号ZRZY2024KJ22）的部分资助。

利益冲突声明

?作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：无