基于InSAR与CNN-LSTM-注意力混合框架的滑坡长期累积形变预测——以意大利中部2016–2017年地震影响区为例

《Geomatics, Natural Hazards and Risk》：Hybrid deep learning approach for predicting long-term deformation of landslides

　　

活动性滑坡威胁生命、财产和基础设施。尽管监测运动速度对理解滑坡过程至关重要，但预测形变幅度是迈向减灾的重要一步。本研究开发了一种融合卷积神经网络（Convolutional Neural Network, CNN）、长短期记忆网络（Long Short-Term Memory, LSTM）和注意力机制的混合深度学习模型，用于从空间和时间数据预测滑坡相关的地表形变。该模型针对受2016—2017年地震事件严重影响的意大利中部地区开发，采用三向实验方案。时间数据包括2018—2022年的永久散射体（Persistent Scatterer, PS）观测，空间数据表示滑坡孕灾因素。CNN提取与滑坡易发性相关的空间特征，LSTM捕捉累积形变中的时间依赖关系。注意力机制通过加权关键区域和时间步进一步优化模型。在未用于超参数调优或模型选择的独立留出测试集上，模型在升轨和降轨几何下均取得较低预测误差，训练、验证和测试结果之间的紧密一致性表明过拟合有限。总体而言，所提出的CNN-LSTM-注意力框架提供了一种可迁移的、由InSAR驱动的基础，用于预测滑坡形变可能在何处、何时加剧，支持地震活跃区的灾害区划、监测优先级排序和预警策略。

研究背景与问题：滑坡可对生命、财产和基础设施构成威胁，准确分析与监测地表运动对管理结构和基础设施影响至关重要。多时相干涉合成孔径雷达（Interferometric Synthetic Aperture Radar, InSAR）尤其适用于缓慢滑坡的空间与时间位移监测。传统滑坡危险性评价包括启发式、统计、确定性和多准则方法，但分别存在统计不确定性、空间限制和专家解释主观性等问题。机器学习和深度学习可挖掘大规模地表数据中的非线性模式并整合地形、地质、水文和气候变量，但既有模型多限于静态分析、固定空间快照或单一滑坡体监测序列；CNN擅长空间特征但缺少时间演化，LSTM等擅长时间依赖但空间泛化不足，且多数模型对所有输入等权处理，缺乏对关键空间区域和时间区间的注意力区分，也未能充分融合卫星形变图、天气记录和岩土调查等多源输入。为此，研究人员在意大利中部亚平宁地区、2016—2017年地震序列影响区开展研究，构建CNN-LSTM-注意力框架预测累积滑坡相关地表形变，并分别预测东西向和垂直分量，以提升预测性能、可解释性和区域尺度应用能力。研究结论表明，该框架可在升轨和降轨几何下重现空间连贯的形变模式，并在PS样本尺度取得良好预测一致性；其意义在于为地震活跃区滑坡形变加剧位置与时段预判、灾害区划、监测优先级排序和早期预警提供可迁移的InSAR驱动基础，但精度应理解为点尺度预测一致性，而非独立滑坡体间完整迁移性验证。

关键技术方法：研究采用意大利中部亚平宁2016—2017年地震影响区作为案例，使用欧洲地面运动服务（European Ground Motion Service, EGMS）Sentinel-1永久散射体（PS）数据，升轨98 706个、降轨175 650个，时间覆盖2018—2022年，并耦合高程、坡度、坡向、曲率、流向、地形湿度指数（Topographic Wetness Index, TWI）、河流功率指数（Stream Power Index, SPI）、地质和土地利用等孕灾因子。方法包括视线向（Line-of-Sight, LoS）分解、30 m规则网格与占用掩膜非插值建格、CNN-LSTM-空间/时间注意力模型预测累积形变，以及CNN-空间注意力分支分别预测垂直和东西向平均形变速率；采用64%/16%/20%训练、验证和独立测试划分，以MSE、RMSE、MAE和R²评价。

研究结果：5.1 累积形变在升轨和降轨几何下的预测结果：通过升轨与降轨PS序列及孕灾因子输入CNN-LSTM-注意力模型，研究人员发现升轨与降轨均能预测累积形变，升轨误差较低，降轨在更复杂形变模式下仍处于可接受范围。5.1.1 CNN-LSTM-注意力模型在升轨和降轨几何下的性能：在独立留出测试集上，升轨MSE为0.12、0.16、0.17 mm²（训练、验证、测试），RMSE为0.35、0.40、0.41 mm，MAE为0.14、0.15、0.15 mm；降轨MSE为0.19、0.24、0.23 mm²，RMSE为0.44、0.49、0.48 mm，MAE为0.17、0.19、0.19 mm，验证与测试误差接近，早期停止分别选取第58和第63轮，表明过拟合有限。5.1.2 空间与时间注意力分析：空间注意力显示坡度、高程、地质和水文代理变量在升轨与降轨中均为有影响的预测因子；时间注意力突出累积形变序列中最具信息量的区间，但因未输入降雨和地震时间序列，未将其解释为已验证的外部触发响应。5.1.3 预测累积形变可视化：通过实际与预测图、散点图和误差图比较，预测值与实际值总体贴近1∶1线，陡坡、弱地质和高水文 stress 区域预测形变较高，升轨形变更平滑、误差高值区较少，降轨在陡峭和复杂地形偏差略大。5.2 垂直与水平平均形变速率预测：通过CNN-空间注意力分别预测垂直和东西向平均形变速率，模型可区分以水平分量为主的平移型滑坡/流动与以垂直分量为主的旋转型滑坡。5.2.1 带注意力CNN对垂直和水平平均形变速率预测的性能：垂直预测在训练、验证和测试中误差均低于水平预测，验证与测试误差接近；注意力在垂直预测中更关注高TWI的饱和土壤，在水平预测中更关注坡度和地表特征。5.2.2 预测与实际垂直和水平平均形变速率比较：预测空间格局与滑坡编目定性一致，垂直预测在陡坡和松散岩性区与观测较吻合，水平预测在侵蚀、城市化和农业活动导致地表条件变化区误差略高。5.2.3 垂直和水平平均形变速率预测误差空间分布：误差图显示多数区域预测良好，高TWI和松散岩性区垂直误差略大，较强坡度梯度区水平误差较高，反映水平运动的几何、材料和排水敏感性。5.2.4 垂直与水平平均形变速率预测差异分析：垂直形变更受地下地质过程控制、模式更清晰而更易预测；水平形变受坡度、坡向、曲率、地形粗糙度及人类活动等静态因子部分未表征的扰动影响，因而误差更高；坡度倾向并非均匀表达，而是在与不利地质和水文条件叠加处最相关。

讨论部分：该框架通过耦合空间孕灾因子学习与多时相形变时间学习，较静态易发性模型更动态，并通过双注意力提高可解释性；升轨预测略优于降轨，反映视线向敏感性和形变平滑度差异，说明多几何分析对业务化监测重要。由于预测实体为PS支持样本而非独立滑坡体，邻近PS可能空间自相关，结果应视为点尺度预测一致性而非滑坡体间迁移性证据；预测因子主要描述地形倾向和近地表地貌水文条件，不包含深部滑面几何、强度退化或瞬态孔压演化，故属数据驱动形变模式模型而非机制模型。注意力结果与地貌倾向物理合理性相符，垂直分量较水平分量更可预测。不确定性包括EGMS单点LoS速度数毫米/年误差、南北分量不可由近极轨Sentinel-1约束、10 m Tinitaly DEM及1∶100 000地质与土地利用图件误差、30 m网格和中值聚合平滑，以及注意力权重仅为模型内部相对信息量而非物理敏感性。局限包括PS样本级预测、非机制表征、未纳入降雨和地震触发序列、固定三分划分尚无按滑坡体分组或阻塞空间交叉验证；未来需开展按滑坡体和运动单元分组验证、加入降雨与地震强迫、采用阻塞空间和时间感知交叉验证、在低PS密度区发展图/点卷积，并在其他地质气候区测试。

研究结论翻译：本研究提出一种数据驱动框架，利用EGMS永久散射体时间序列和空间孕灾因子，在意大利中部滑坡易发区预测滑坡相关地表形变。所提出的CNN-LSTM-注意力架构应用于累积形变及分解的垂直和水平分量，能够重现空间连贯的形变模式，并取得良好的点尺度预测一致性。但结果应按建模实体尺度解释：框架作用于PS支持样本而非独立滑坡体，所报告精度反映PS水平形变模式重现能力，尚不构成针对大型深层重力坡变形或其他缓慢滑坡的完整滑坡体验证。空间和时间注意力机制通过赋予与滑坡风险相关性更强的区域和时间段更高权重，显著提升模型效果；空间维度上陡坡、松散岩性和高TWI、SPI区域获得更高权重，时间维度上识别观测形变历史中最具信息量的区间，但因未将降雨或地震强迫序列纳入模型输入，未作特定事件归因。垂直形变预测较水平预测更准确，因垂直位移常受地下地质过程驱动，更易由土壤饱和和构造活动等因素预测；水平平均形变速率受侵蚀、人类活动和土地利用变化等更广泛地表因素影响，变异性和复杂性更高，但模型仍通过关注高地表不稳定区域捕捉其主要趋势。误差空间分布表明模型在多数区域表现良好，在复杂地形或高水文 stress 区域存在挑战，提示可引入更多条件因子或更高分辨率SAR数据。模型对升轨和降轨几何均能有效处理，显示稳健性和适应性。总体而言，CNN-LSTM-注意力模型是滑坡相关地表形变预测的稳健有效方法，可支持早期预警、风险评估和针对性减灾；未来可纳入更详细水文或人类活动指标，并在不同地质气候区域验证其适应性。