运动学信息驱动的双流深度学习框架：多时间尺度滑坡位移预测与风险知情决策支持

《Geomatics, Natural Hazards and Risk》：A kinematics-informed dual-stream deep learning framework for multi-timescale landslide displacement forecasting and risk-informed decision support

　　

滑坡灾害减灾需要能够同时支持应急响应和较长期工程规划的预测。现有数据驱动模型通常针对单一预测时距，并主要依赖位移序列，因而对变形阶段和长时稳定性的表征有限。研究人员提出一种运动学信息驱动的双流框架，用于多时间尺度位移预测和风险知情决策支持。时间卷积网络–双向长短期记忆网络（TCN–BiLSTM）时间流通过协同注意力（co-attention）与一个极端梯度提升（XGBoost）流融合，后者编码由位移导出的速度、加速度和改进切线角。该运动学流提供可解释的变形状态信息，而不强加控制性力学约束。为防止信息泄漏，集合经验模态分解（EEMD）在因果滚动窗口内应用；30天和90天预测使用基于情景的降雨，而非观测到的未来降雨。预测轨迹被转换为三个面向工程的风险指标，并集成到数字孪生辅助（digital-twin-assisted）决策支持框架中。在枣树洼（Zaoshuwa）滑坡上的评估使用G2-G5进行模型开发，并将G1作为未见空间目标。在1天、7天、30天和90天时距上，该框架相对于基准模型提高了预测精度和趋势稳定性。这些结果表明，结合时序表征与运动学表征可支持多时间尺度预测和风险评估。该框架旨在用于决策支持；预警阈值和空间可迁移性需要场地特定校准和进一步验证。

研究背景与问题。滑坡灾害减灾既涉及短期应急响应，也涉及中长期工程管理；短期预测用于识别加速和新生失稳并支持现场巡查、人员保护和应急准备，月和季节尺度预测则服务于变形趋势评估、减灾调度、资源优先配置和汛前风险管理。现有预测方法多聚焦单一预测时距，对短、中、长期预测一致性关注不足，预测误差和趋势漂移随预测时距延长而更突出，限制长时位移预测的工程价值。深度学习（LSTM、GRU、TCN、Transformer等）和信号分解（EEMD、CEEMDAN、VMD等）已用于滑坡位移预测，但许多模型仍主要依赖位移观测，对变形状态信息表征有限；物理信息模型显式引入力学方程或物理残差，而运动学描述符可在不施加完整力学约束的情况下提供可解释信息。因果预处理和长时预测亦需明确：对完整时间序列先分解再划分数据可能引入未来信息泄漏；30天和90天预测时未来逐日降雨不可得。基于此，研究人员提出运动学信息驱动的双流框架，以同时捕捉时序依赖和变形阶段特征，并将预测轨迹连接至风险指标与数字孪生辅助决策支持。

研究开展、结论与意义。研究人员将时间卷积网络–双向长短期记忆网络（TCN–BiLSTM，分别提取局部多尺度时序依赖和双向长期时序依赖）时间流与极端梯度提升（XGBoost，树集成回归模型）运动学流通过协同注意力（co-attention，动态建模双流双向交互）融合，采用因果滚动窗口集合经验模态分解（EEMD，通过加噪集合平均抑制模态混叠）抑制高频扰动并防止信息泄漏，30天和90天预测采用基于情景的降雨表示。研究以湖北省十堰市郧西县枣树洼（Zaoshuwa）滑坡为案例，利用5个全球导航卫星系统（GNSS）监测点G1–G5（采样间隔1 h、约20个月）的连续位移观测，G2–G5用于模型开发，G1作为同一滑坡内未见空间目标；在1天、7天、30天和90天时距开展预测，并与多种基准架构比较，同时进行降雨相关消融、多时间尺度风险指标和回顾性数字孪生辅助风险评估。结果表明，相对于基准模型，该框架提高了预测精度和趋势稳定性；结合时序与运动学表征可支持多时间尺度预测和风险评估。其意义在于把位移预测从数值轨迹估计扩展为可解释的变形状态与工程风险信息，并通过数字孪生辅助环境连接监测、预测、风险解释和工程决策支持；原文同时指出该框架用于决策支持，预警阈值和空间可迁移性需场地特定校准与进一步验证。

关键技术方法（约240字）。研究采用枣树洼（Zaoshuwa）滑坡G1–G5监测队列（1 h采样、约20个月；G2–G5建模，G1留出）；以因果滚动窗口EEMD进行去噪和防止未来信息泄漏；构建TCN–BiLSTM时间流提取位移–降雨时序特征；以速度、加速度和改进切线角为运动学描述符，用XGBoost构建运动学信息流；通过co-attention融合双流表示；设置1、7、30、90天并行回归头并联合优化；30天和90天采用基于情景的降雨表示；将预测轨迹转化为加速敏感性指数I_acc、趋势风险指数I_trend和综合变形指数I_season，并接入数字孪生（digital twin，监测—预测—风险解释—工程信息集成环境）辅助决策框架。

研究结果。3.2.3 双流模型训练与评估方案：以G2–G5滑动窗口建模、G1留出，初始3天试验得到RMSE 4.1081、MAE 2.9971、MAPE 1.9578%、R² 0.99733；降雨消融中无降雨模型R²=0.9621、RMSE=15.4863，去除运动学特征后RMSE=13.8、R²=0.96989，表明降雨外部强迫和运动学描述符均提供补充信息。3.2.4 多时间尺度预测与对比分析：模型在1、7、30、90天的RMSE分别为2.3524、4.8278、3.3116、3.6916，R²均高于0.996；与无运动学特征模型相比，RMSE分别增至4.2043、8.5756、5.0497、6.0533；基准比较表明因果EEMD、TCN–BiLSTM和运动学流的组合提升趋势稳定性。4.1 短期预警（周尺度）：加速敏感性指数I_acc：基于7天预测序列计算位移速率比R_v,k与改进切线角α_k，按四级规则保守取最大日预警等级形成周尺度加速预警；阈值作为场地校准决策参考，并做±10%和±2°敏感性检查。4.2 中期预警（月尺度）：趋势风险指数I_trend：用30天预测轨迹计算v₃₀与R₃₀，以约4.5 mm/d和10 mm/d等阈值分级；原文指出其为案例适配参考，需本地校准。4.3 长期预测（季度尺度）：综合变形指数I_season：从90天情景轨迹提取S_max、v?₉₀和N_a，经历史累积分布转概率并按0.40P_s+0.35P_v+0.25P_n加权为I_s，用于季节风险分级；阈值敏感性需复核。5.1 数字孪生架构与信息集成：采用状态表示、预测风险解释、空间/阈值检查、工程复核四阶段；数字孪生作为解释与决策支持层，而非自治控制系统。5.2 枣树洼滑坡回顾性工程评估：2024年7月短时事件重构在7月12日识别IV级加速，7月14日晚坡脚出现局部变形和开裂；月尺度识别中坡和西侧变形集中区，候选排水、卸载和局部支护作为工程备选；原文明确单一事件不构成统计验证。5.3 验证范围与工程适用性：仅基于单一滑坡，G2–G5到G1为同一滑坡内跨监测点评估；阈值属案例适配；长时解释依赖情景降雨；该系统为原型数字孪生辅助决策支持，需独立滑坡、多事件、前瞻部署、误报漏报和措施对比验证。

讨论部分总结。原文指出，多时间尺度滑坡预测受益于时序演化与变形状态显式表征的结合：TCN–BiLSTM流捕捉位移和降雨的非线性依赖，运动学流提供变形速率、加速度和阶段转换的补充信息，二者融合在加速阶段尤为有效；因果滚动窗口EEMD使分解仅依赖预测原点前信息，情景降雨避免引入不可得未来气象观测，使长时输出更适宜解释为情景条件下的变形趋势；G2–G5到G1的空间留出评估表明同一滑坡内监测点学习到的变形模式对异质局部响应仍具信息价值，但不代表独立滑坡迁移；风险指标把数值预测扩展为时间尺度相关变形解释，数字孪生提供空间接口。原文亦指出进一步发展需多站点数据集、更丰富水文地质观测和显式不确定性刻画。

研究结论（翻译）。（1）通过整合TCN–BiLSTM时序建模、XGBoost运动学编码和co-attention融合，建立了互补的时间—运动学表征；完整模型在1、7、30和90天预测时距上保持R²高于0.996，并持续优于相应的仅时序配置，表明变形状态信息在渐变和加速变形中均具价值。（2）通过滚动窗口EEMD和依时距处理的降雨信息，建立了因果一致的多时间尺度预测策略；该表述把短期加速预测与月和季节趋势评估连接起来，且不依赖预测原点不可得的未来观测。（3）三个时间尺度特定风险指标把预测位移轨迹转化为短期加速预警、中期趋势评估和季节变形风险，从而将模型从预测精度扩展至可解释工程评估。（4）通过整合监测、预测、空间风险解释和响应建议，数字孪生辅助框架提供了从预测建模到工程决策支持的统一人在回路路径；这些进展为多时间尺度预测、可解释变形评估和风险知情滑坡管理提供了集成方法。