基于InSAR与C-L-A模型的交通廊道地质灾害易发性评价与沉降预测研究

本研究针对地震扰动区交通基础设施安全风险，创新性融合InSAR技术获取高精度地表形变数据，结合峰值地面加速度(PGA)等12项影响因子，构建地质灾害易发性评价体系；并开发注意力机制增强的CNN-LSTM耦合模型(C-L-A)，实现毫米级沉降精准预测。研究成果显著提升高风险区识别精度（极高易发区面积减少21%，灾害频率比提高33%），为交通廊道地质灾害防控提供关键技术支撑。

　　

在地质活动频繁的山区，高速公路和铁路等交通基础设施长期面临地面沉降、滑坡等地质灾害的严重威胁。2023年12月甘肃积石山6.2级地震更是加剧了该区域的地质不稳定性，如何精准评估灾害风险并实现沉降预测成为亟待解决的科学难题。传统的地质灾害评估方法多依赖静态环境因子，难以捕捉动态变形过程；而现有的沉降预测模型在时空特征融合方面存在局限性，无法满足复杂地质环境下的精准预警需求。

针对这一挑战，兰州交通大学的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表了创新性研究。他们综合运用多时相合成孔径雷达干涉测量(InSAR)技术、机器学习算法和地理信息系统分析，建立了融合动态变形数据的地质灾害易发性评价体系，并开发了新型深度学习预测模型。研究以积石山地震震中50公里范围为实验区，利用2021-2024年间56景Sentinel-1A降轨影像，通过PS-InSAR和SBAS-InSAR技术获取了地震前后地表形变场；结合DEM、坡度、坡向、曲率、距河流距离、距道路距离、断层距离、PGA、土地利用类型、岩性、NDVI和年均变形率等12项影响因子，采用信息量模型进行地质灾害易发性评价；进而创新性地构建了卷积神经网络与长短期记忆网络融合注意力机制(C-L-A)的沉降预测模型，实现了对交通廊道地表变形的精准预测。

关键技术方法主要包括：1）采用D-InSAR、PS-InSAR和SBAS-InSAR三种干涉测量技术获取多时序地表形变数据；2）基于信息量模型(IV)量化各影响因子与灾害发生的空间关联性；3）利用CNN提取空间特征，LSTM捕捉时间依赖，注意力机制优化特征权重，构建C-L-A预测模型；4）通过MAE、MSE、RMSE等指标验证模型精度。研究区域涵盖甘肃省积石山县及周边地区，数据来源包括美国地质调查局、欧空局哥白尼数据中心等权威机构。

研究结果显著：

基于InSAR的沉降监测精度验证表明：PS-InSAR与SBAS-InSAR结果具有高度一致性（平均偏差-0.4 mm），相干系数均大于0.5，证实了监测数据的可靠性。地震前研究区普遍存在沉降现象，最大沉降速率达118 mm/年；震后震中25公里范围内出现显著隆升，最大隆升量7.85 cm，呈现典型的逆冲走滑地震特征。

地质灾害易发性评价结果显示：融入InSAR变形速率因子后，极高易发性区面积从3718 km2缩减至1221 km2（减少67.1%），但灾害频率比从2.24提升至2.98（提高33%）。年变形速率超过30 mm的区域与极高易发性区呈现显著空间耦合，证实了动态变形数据对风险识别的增强作用。

时空变形规律分析表明：震前沉降主要分布在永靖县、刘家峡水库等区域；震后形变场显示以震中为中心的椭圆形隆升 pattern，与拉脊山断裂带走向一致。交通廊道200米缓冲区内识别出62个年变形超40 mm的关键区，其中武麻高速公路格尔底寺东段沉降持续超过70 mm/年。

沉降预测模型性能对比显示：C-L-A模型在Δx_MAX（2.94 mm）、MAE（1.74 mm）、MSE（3.39 mm2）和RMSE（1.84 mm）指标上均优于RF、CNN、LSTM等对比模型，预测精度提升44.6%。模型能有效预测5个月内的短期变形趋势，为基础设施风险预警提供了可靠技术支撑。

研究结论与讨论强调：该研究创新性地将InSAR动态变形数据与传统静态因子相结合，显著提升了地质灾害易发性评价精度；开发的C-L-A模型成功解决了时空特征融合难题，实现了毫米级沉降预测。实践层面提出的"红-黄-绿"三级监测预警框架和动态阈值模型，可将灾害预警响应时间缩短至2小时，误报率降低至12%。研究成果为地震扰动区交通基础设施安全运维提供了科学依据，推动了从被动灾后应对向主动精准防控的范式转变。未来研究需进一步融合多源遥感数据，发展物理机制约束的预测模型，拓展技术在其它地质环境下的适用性。