基于InSAR与深度学习融合的边坡形变监测与预测方法研究

针对边坡失稳灾害威胁基础设施安全的问题，研究人员结合干涉合成孔径雷达（InSAR）技术与深度学习模型，提出了一种边坡形变监测与预测方法。通过SBAS-InSAR获取形变特征，采用AdaBoost-SVR数据连续化处理，并利用鲸鱼优化算法（WOA）优化BiGRU等模型超参数，最终确定WOA-BiGRU为最优预测模型，其预测精度（R2达0.969）显著优于传统方法，为边坡灾害防控提供了新思路。

　　

边坡失稳灾害如同潜伏的“地质炸弹”，时刻威胁着铁路、公路等基础设施的安全。法国曾因铁路边坡滑坡导致列车脱轨，造成21人受伤；中国福建和京广铁路也多次因边坡失稳引发事故。传统监测手段如全站仪、GNSS（全球导航卫星系统）虽能获取离散点位移，但依赖人工布点且受视野限制。如何实现大范围、高精度的边坡形变回溯与趋势预测，成为工程地质领域的“卡脖子”难题。

为此，Zhixing Deng团队在《Results in Engineering》发表研究，创新性地将干涉合成孔径雷达（InSAR）技术与深度学习结合，构建了一套从监测到预测的完整框架。研究以四川成都金堂县一处曾发生浅层滑动的铁路边坡为案例，利用Sentinel-1A卫星C波段数据（波长5.6 cm，空间分辨率5×20 m），通过小基线集技术（SBAS-InSAR）提取2019年1月至2020年2月的形变时间序列。为解决InSAR数据离散性问题，采用自适应增强支持向量回归（AdaBoost-SVR）进行数据连续化处理，并引入鲸鱼优化算法（WOA）对ANN（人工神经网络）、CNN（卷积神经网络）、TCN（时间卷积网络）和BiGRU（双向门控循环单元）四种模型的超参数进行智能优化，最终通过8项指标综合评估模型性能。

关键技术方法

研究首先利用SBAS-InSAR技术处理30景Sentinel-1A影像，设置空间基线阈值2%、时间基线阈值90天，生成干涉对并解算形变相位；其次通过AdaBoost-SVR将12天间隔的离散数据连续化，构建滑动窗口数据集；最后采用WOA算法优化模型超参数（如BiGRU的神经元数、学习率等），以均方误差（MSE）为适应度函数进行迭代寻优。

研究结果

1. 1.

   边坡形变特征分析

   目标边坡形变速率集中在0至-20 mm/yr区间，形成明显“形变漏斗”。累计形变呈现高程依赖性——高处形变量显著大于低处，时空演化显示2019年1-5月为波动阶段，6-8月转为持续增长，与现场调查的“醉汉林”和错落台地现象吻合。

2. 2.

   模型优化与性能对比

   WOA使四种模型的适应度值在30次迭代内快速收敛，其中WOA-BiGRU误差最小（MSE=0.00005）。训练集评估显示，WOA-BiGRU的R²达0.999，性能指数（PI）仅0.020；测试集上其MAE（平均绝对误差）为1.175 mm，显著优于未优化BiGRU模型（MAE=2.269 mm）。

3. 3.

   与传统模型对比

   WOA-BiGRU的R²（0.969）远超双曲线模型（0.847）、指数模型（0.823）和二次模型（0），证明深度学习在非线性时序预测中的优势。噪声鲁棒性测试显示，即使添加标准差为1.0的高斯噪声，模型平均R²仍保持在0.930以上。

结论与意义

该研究首次将WOA-BiGRU模型引入边坡形变预测，其精度较传统方法提升14.4%，为毫米级形变监测提供了新范式。未来可结合图神经网络（GNN）挖掘时空关联特征，进一步拓展至区域滑坡风险评估。成果不仅为铁路边坡灾害预警提供技术支撑，也为InSAR与人工智能的跨学科融合树立了标杆。