基于裂缝宽度数据融合的水库滑坡位移预测方法研究——以三峡库区大坪滑坡为例

为解决水库滑坡位移预测中裂缝宽度数据未被充分利用的问题，研究人员首次将裂缝宽度与降雨、库水位(RWL)数据结合，采用多小波相干(MWC)分析和深度学习模型(包括DNN、GRU、BiLSTM和Transformer)，显著提升了大坪滑坡位移预测精度。该研究为滑坡灾害预警提供了新思路，对三峡库区防灾减灾具有重要意义。

　　

水库滑坡是全球范围内常见的地质灾害，尤其在三峡库区这类大型水利工程周边更为频发。传统滑坡预测主要依赖降雨和库水位(RWL)数据，却忽视了滑坡裂缝这一关键形变指标。随着机器学习技术的发展，数据驱动模型逐渐成为预测主流，但现有研究尚未系统评估裂缝宽度数据的预测价值。这一空白使得滑坡预警系统可能错过重要前兆信号，增加了突发性灾害风险。

针对这一科学问题，国内研究人员以三峡库区大坪滑坡为案例，创新性地将裂缝宽度监测数据纳入预测体系。研究团队采用多小波相干(MWC)方法定量分析了降雨、RWL和裂缝宽度与位移的时滞关系，确定16小时为最优时间窗口。随后利用四种深度学习模型(DNN、GRU、BiLSTM和Transformer)进行预测对比，所有模型均通过贝叶斯优化进行超参数调优。研究成果发表在《Solid Earth Sciences》上，为滑坡预测提供了新的数据维度。

关键技术方法包括：1) 多小波相干(MWC)分析确定影响因素与位移的时滞关系；2) 基于三峡库区大坪滑坡2023-2024年的GNSS位移、裂缝计、雨量计和水位计小时监测数据；3) 采用贝叶斯优化方法调参的四种深度学习模型对比；4) 使用R²、MAPE、MAE和RMSE四项指标评估预测性能。

3.1 小波相干分析结果
通过MWC分析发现，加入裂缝宽度数据后，显著相干区域面积(PASC)从11.82%提升至22.14%，最大平均MWC值从0.9183增至0.9998。这表明裂缝宽度显著增强了影响因素与位移的关联性，特别是在16-32小时时间尺度上表现出强相关性。

3.2 预测位移结果
BiLSTM模型在三因素(降雨+RWL+裂缝宽度)输入下表现最优，R²达0.9962，MAE仅0.1810。对比显示，所有模型加入裂缝数据后预测精度显著提升，如Transformer的MAPE从2.0713×10^-3降至3.5399×10^-4。

4. 讨论
研究证实裂缝宽度能更敏感地反映滑坡瞬时变形，弥补了降雨和RWL响应的滞后性缺陷。2023年8-10月的位移突变与RWL剧烈波动高度相关，印证了库水位变化对边坡稳定性的关键影响。尽管目前仅验证于大坪滑坡，但该方法具有普适性潜力，因为裂缝形成机制与水库滑坡变形具有普遍关联。

5. 结论
该研究首次建立了融合裂缝宽度的水库滑坡位移预测框架，通过MWC分析和深度学习模型的有机结合，使预测精度获得突破性提升。BiLSTM模型在三因素输入下的优异表现，为滑坡实时预警系统提供了可靠的技术路径。这项成果不仅完善了滑坡预测理论体系，更对长江经济带的地质灾害防治具有重要实践价值。