大坝位移两阶段概率预测框架：中国流域生态风险预警新方法

本研究针对大坝位移监测中数据缺失和预测不确定性的双重挑战，提出了一种结合LRTC-TNN数据重建和SigKAN概率预测的两阶段框架。该框架在缺失率90%时仍能将RMSE降低24.6%，并通过量化预测区间为生态风险管理提供更可靠的决策依据，显著提升流域生态安全预警能力。

　　

在全球气候变化和基础设施老化的双重压力下，大坝安全监测已成为保障流域生态安全的重要环节。作为水利工程中的"哨兵"，毫米级的大坝位移变化不仅能反映结构健康状况，更是流域生态系统的早期预警指标。然而，在实际监测过程中，传感器故障、极端天气等因素导致的数据缺失，以及位移预测中的不确定性，严重制约了大坝安全预警的精准性。

针对这一难题，由崔哲森领衔的研究团队在《Journal of Hydrology: Regional Studies》上发表了一项创新性研究，提出了一种两阶段概率预测框架。该研究以中国海河流域桃河支流上的混凝土重力坝为研究对象，基于2022年3月至9月的5088个位移监测数据，开创性地将低秩张量补全与签名加权柯尔莫哥洛夫-阿诺德网络相结合，为破解大坝位移预测难题提供了新思路。

研究团队采用的核心技术方法包括：基于北斗GNSS(全球导航卫星系统)的实时位移监测网络，覆盖大坝顶部、迎水面和背水面的12个监测点；低秩张量补全-截断核范数(LRTC-TNN)模型，通过非凸优化处理最高达90%的缺失数据；签名加权Kolmogorov-Arnold网络(SigKAN)模型，结合分位数损失函数生成预测区间(PIs)；以及综合使用均方根误差(RMSE)、确定系数(R²)、预测区间覆盖概率(PICP)等多项指标进行模型验证。

在数据重建方面，研究结果令人振奋。LRTC-TNN模型在极端缺失场景下表现卓越：当缺失率达到90%时，在P3和P10监测点的RMSE分别仅为9.7667毫米和8.0621毫米，显著优于TRMF(时空正则化矩阵分解)和HaLRTC(高精度低秩张量补全)等基准模型。更重要的是，该模型在高度不完整数据下仍能保持R²值在0.6以上，证明了其强大的数据结构保持能力。

预测性能评估更凸显了新框架的优势。SigKAN模型在单步预测中R²达到0.8165(P3)和0.8218(P10)，均方误差(MAE)低至0.0240-0.0266毫米。随着预测步长增加至12步，模型性能虽有下降但仍保持稳定，显著优于RNN(循环神经网络)、GRU(门控循环单元)、LSTM(长短期记忆网络)等传统时序模型。特别值得注意的是，SigKAN在相对误差分析中表现出更好的稳定性，其预测点更紧密地分布在回归线附近。

概率预测结果进一步验证了框架的实用性。在90%置信水平下，SigKAN生成的预测区间宽度更窄，覆盖概率更高。在P3监测点，单步预测的CWC(组合覆盖宽度准则)值仅为0.1560，远低于QRNN(分位数回归神经网络)的1.6630，表明新方法能在保证覆盖概率的同时提供更精确的不确定性量化。

研究的创新性在于将大坝位移重新定义为生态安全指标，而不仅仅是结构健康参数。通过两阶段框架的协同作用，既解决了数据完整性问题，又提供了可靠的不确定性评估，为生态风险管理提供了量化工具。例如，当位移超出预测区间时，系统可触发自动响应机制，调整泄水策略，在保障工程安全的同时维护下游湿地和水生栖息地的生态需求。

讨论部分深入分析了该框架的四大应用维度：基于北斗GNSS的高精度数据采集优势、针对不同缺失率的实用应对策略、模型计算强度与精度的平衡、以及跨流域推广的潜力。研究人员特别指出，虽然SigKAN模型的训练时间较长，但其在捕获时间序列几何特征方面的独特能力，使其特别适合处理具有复杂动力学特征的水文数据。

该研究的实际意义在于为协调水资源基础设施与生态系统保护提供了技术支撑。通过将先进的预测技术与生态安全评估相结合，决策者可以更科学地平衡工程韧性与生态完整性。未来研究方向包括开发轻量化模型以适应实时部署需求，以及在不同地质条件、气候区的大坝中验证框架的普适性，从而推动智能水利设施与生态安全保障的深度融合。