基于InSAR的深度学习预测模型，用于中国三峡地区 Zigui 地区的多种类型滑坡位移及失稳时间预测

《Landslides》：InSAR-based deep learning prediction model for multi-type landslides displacement and failure time in Zigui, Three Gorges Area, China

滑坡变形动态预测方法研究：基于InSAR数据与混合深度学习模型，通过建立线性对数逆函数修正SBAS-InSAR位移数据，整合经验模态分解、GRU网络和改进逆速度法，在三峡库区 zigui 地区实现四类滑坡位移预测准确率85%，失稳时间预测误差降低至3.07天，有效提升低成本区域滑坡预警能力。

　　

摘要

滑坡变形的动态预测是滑坡早期预警系统的重要组成部分。区域滑坡风险管理的实施挑战主要源于三个方面：现场监测的成本较高、卫星观测的时间分辨率有限，以及滑坡形态的多样性。本研究提出了一种基于InSAR的预测框架，用于预测多种类型的滑坡变形特征，包括位移和失效时间。首先建立了线性对数变换的逆函数，通过考虑坡度来校正SBAS-InSAR数据中的多类型滑坡位移，校正后的数据与监测数据之间显示出高度一致的结果。通过结合经验模态分解、拟合分析、门控循环单元的深度学习以及改进的逆速度方法，该框架能够预测三峡地区紫桂地区的四种类型滑坡的位移和失效时间。考虑到降水量和水库水位的影响，四种类型滑坡的位移预测平均准确率达到了85%，而失效时间预测的误差从平均23.85天降低到了3.07天。实地验证表明该框架在仪器监测不足的地区尤为有效。尽管对于某些类型的滑坡，失效时间预测的不确定性略有增加，但该框架仍能在没有专门监测设施或SAR图像覆盖的区域内，提供一种获取滑坡变形信息并动态预测其发展趋势的替代方法。这种方法通过优化InSAR数据利用和混合深度学习模型，提升了区域滑坡早期预警的能力。