青藏高原区域性山坡形变的时空可解释建模：基于深度学习的InSAR预测新方法

针对山地地形InSAR形变建模局限于局部尺度的问题，研究人员开发了基于EGAT-TCN深度学习架构的区域性山坡形变预测模型。通过整合15,000 km2范围的形态计量与气象变量，在7年时间窗口内实现了PCC=0.7的高精度预测，为建立大尺度山坡形变预警系统提供了关键技术路径。

　　

山地地形监测一直是地质灾害预警领域的重大挑战。传统InSAR（合成孔径雷达干涉测量）技术虽能捕捉地表形变，但在复杂山地环境中存在两大瓶颈：一是现有模型多局限于平坦区域或单个斜坡尺度，难以反映区域联动效应；二是形变信号受气象、地质等多因素耦合影响，传统方法难以建立可靠的预测关系。特别是在青藏高原这类构造活跃区，山坡形变往往预示着滑坡、泥石流等重大灾害风险，开发区域性预测模型具有重要科学意义和应用价值。

针对这一难题，中国科学院成都山地灾害与环境研究所的研究团队创新性地提出了"时空可解释的山坡形变建模框架"。这项发表在《Remote Sensing of Environment》的研究，首次实现了15,000 km²大范围山地地形的InSAR形变预测。研究团队采用Sentinel-1卫星12天间隔的观测数据，结合坡度单元(SU)聚合策略和Savitzky-Golay时间平滑技术，构建了融合边缘特征图注意力网络(EGAT)和时序卷积网络(TCN)的深度学习模型。通过多尺度SU配置对比实验，最终在7年观测期内达到了0.7的皮尔逊相关系数(PCC)，平均绝对误差(MAE)控制在3.13 mm。

关键技术方法包括：1）基于r.slopeunits的坡度单元多级划分；2）采用MintPy软件处理163景Sentinel-1数据生成形变时间序列；3）整合13项静态变量和4项动态变量构建预测矩阵；4）开发EGAT-TCN混合架构捕捉时空依赖关系；5）应用积分梯度(IG)方法实现模型可解释性分析。

研究结果部分，4.1节显示Savitzky-Golay平滑有效消除了InSAR信号中35%的随机噪声，同时保留了形变趋势特征。4.2节通过三组SU配置对比证实，中等尺度划分(SU_conf2)在保持信号分辨率与降低噪声间取得最佳平衡。图5展示的空间性能评估表明，模型在95%区域预测误差小于5.42 mm，仅在西侧居民区附近出现较大偏差，推测与人为活动干扰有关。图9的可解释性分析揭示降水、地下水位和坡度是前三大贡献因子，其中60天累计降水对形变的边际效应呈显著正相关。

讨论部分指出，该研究突破了山地InSAR建模的三重限制：一是通过SU聚合解决了形变信号空间异质性难题；二是采用深度学习架构捕获了非线性时空耦合效应；三是首次实现了区域尺度形变预测的可解释性分析。特别值得注意的是，模型对未参与训练的地震扰动样本表现出良好泛化能力，这为后续扩展至构造活跃区奠定了基础。研究同时指出当前局限：人为活动影响未纳入预测体系，且模型需针对不同地质环境重新训练。

这项研究的意义在于：技术上，建立了首个区域性山坡形变预测框架，将InSAR应用从监测推向预警新阶段；科学上，揭示了气象-地形耦合作用对高原形变的影响机制；应用上，为"一带一路"高原工程安全提供了决策工具。未来通过融入实时气象数据和地震扰动因子，有望发展成业务化运行的灾害预警系统。该成果不仅推动了InSAR技术的范式转变，也为全球高山地区的可持续发展提供了重要技术支撑。