《Journal of Rock Mechanics and Geotechnical Engineering》：Enhancing landslide displacement prediction by integrating geological conditions into an interpretable spatiotemporal deep learning model
编辑推荐：
由于外部触发因素和内部地质条件的共同影响，滑坡位移的准确预测仍然具有挑战性，这导致同一滑坡体内部监测点之间的响应存在相当大的异质性。这种异质性进一步产生了复杂的空间依赖性。此外，许多现有预测模型作为黑箱运行，限制了其可解释性并掩盖了单个因素的贡献。本研究选取中
由于外部触发因素和内部地质条件的共同影响，滑坡位移的准确预测仍然具有挑战性，这导致同一滑坡体内部监测点之间的响应存在相当大的异质性。这种异质性进一步产生了复杂的空间依赖性。此外，许多现有预测模型作为黑箱运行，限制了其可解释性并掩盖了单个因素的贡献。本研究选取中国两河口水电站的日地滑坡作为研究区域，通过将图卷积网络（GCN）与时间融合变换器（TFT）相结合，开发了一种可解释的时空深度学习模型。该模型整合了多点位移观测数据、降雨、水库水位（RWL）以及高分辨率无人机（UAV）激光雷达（LiDAR）衍生的数字高程模型（DEM）数据。采用小波分析和支持向量机递归特征消除来识别关键外部触发因素和内部地质因素，同时采用GCN-TFT框架进行多点位移预测。结果表明，地表粗糙度、坡度、坡向和距河流距离是控制日地滑坡变形的关键内部因素。前缘区域的位移受RWL波动和降雨的共同影响，而中部和后部区域的变形受RWL变化控制。与长短期记忆（LSTM）、门控循环单元和TFT模型相比，所提出的GCN-TFT模型在实现优越预测精度的同时，通过其注意力机制量化了不同因素的贡献。本研究为预测和解释复杂滑坡变形行为提供了一种新框架。
研究背景方面，随着中国水电开发的快速推进，西南地区高山峡谷地带建设了众多梯级水电工程，其建设和运营显著改变了库岸边坡地质条件，增加了滑坡易发性。库岸滑坡稳定性事关公共安全与政府关切，而复杂地形、陡峭边坡、高海拔和缺氧条件使精确编目与表征面临挑战，因此设计有效的滑坡位移预测系统对减轻滑坡对区域经济、公共安全和生态系统的影响至关重要。现有滑坡位移预测模型可分为基于物理的和数据驱动的方法两类。基于物理的模型描述滑坡演化的力学过程，但通常需要详细的岩土参数、精确的地质模型和明确的触发条件，工程实践中往往难以获取，可能限制预测精度。数据驱动模型因预测性能强、实施成本相对较低而受到越来越多的关注，包括经典经验模型、机器学习模型和深度学习模型等，已成功应用于白水河滑坡、八字门滑坡和九仙坪滑坡等库岸滑坡。然而，传统单点时间序列位移预测将滑坡变形视为局部独立过程，忽视了同一滑坡内监测点之间的空间相关性。库岸滑坡变形具有显著的时空异质性，现有基于空间权重矩阵、图像或图结构的方法中，图神经网络（GNN）能有效捕捉监测点间的复杂相互依赖关系，适合具有复杂空间拓扑的图数据集，但现有基于GNN的模型在捕捉强时间特征方面仍存在局限，且深度学习模型的黑箱性质限制了对影响因素与变形之间关系的解释。以往研究表明，不同滑坡类型表现出不同的运动学行为，变形过程受外部触发因素和内部地质条件控制。外部因素包括降雨、水库水位（RWL）波动、气候变化和工程活动；内部因素包括物质组成、岩土结构、地形地貌特征和水文地质条件。对于库岸滑坡，降雨入渗和RWL波动是主要触发因素，但其影响在坡体空间上存在差异。尽管一些研究已将内部特征纳入滑坡易发性分析，但现有滑坡位移预测研究忽视了地质、水文和地形因素之间的相互作用，可能增加过拟合风险并降低预测性能。因此，可解释机器学习方法日益重要，特别是注意力机制可以识别有影响力的变量和信息丰富的时间特征，提高模型透明度。在滑坡易发性评估、多点监测、时空预测、触发分析和可解释学习方面已取得相当进展，但仍存在若干局限：区域易发性研究纳入地质和环境因素，但目标是估计滑坡发生的空间概率而非预测单体滑坡尺度的位移演化；现有单体滑坡位移预测研究关注历史位移和外部触发因素，而局部地质和地形条件表征不足；虽有研究将地质和地形因素纳入滑坡位移预测，但这些变量通常来自低分辨率区域DEM或遥感数据，可能无法捕捉滑坡内监测点间的精细变形变异性。因此，将高分辨率局部地质条件、外部水文触发因素和监测点间空间相关性整合到可解释预测框架中仍具挑战性。为解决这些问题，研究人员以中国两河口水电站日地滑坡为研究对象，提出了滑坡位移预测的时空模型，该模型在可解释深度学习框架内整合了众多控制因素并捕捉时空相关性。所提模型有两个主要创新：（1）捕捉同一滑坡内监测点之间的时空相关性，而非将每个点视为独立单元；（2）纳入从无人机LiDAR衍生DEM提取的高分辨率地质和地形因素，包括地表粗糙度、坡度、坡向和距河流距离，并结合降雨和RWL等外部触发因素。该框架对时空位移预测有效，为滑坡预警和风险缓解提供了坚实的方法基础。研究得出以下主要结论：（1）SVM-RFE和小波分析揭示控制机制存在显著空间异质性，日地滑坡前缘变形受降雨和RWL波动共同影响，中部和后部受RWL变化控制；内部地质因素中地表粗糙度、坡度、坡向和距河流距离是控制滑坡变形的主导因素。（2）将GCN模块纳入TFT框架以捕捉监测点间的空间依赖性，与传统聚焦单个事件或局部监测点的方法不同，GCN-TFT模型有效整合了复杂多元时间序列数据并捕捉了滑坡的时空相关性，相比传统LSTM和GRU模型实现了更高预测精度。（3）优化模型预测日地滑坡未来一个月位移，结果表明水库水位下降期间位移持续累积增长，与已知水文触发机制一致。（4）基于注意力的可解释模块揭示了滑坡变形与影响因素之间的非线性关系，控制变量的相对重要性随监测位置和环境条件变化，突出了滑坡响应的空间异质性，增进了对触发过程的理解，为预警、风险评估和针对性减灾设计提供了依据。论文发表在《Journal of Rock Mechanics and Geotechnical Engineering》。研究意义方面，该研究为预测和解释复杂滑坡变形行为提供了新框架，所提GCN-TFT框架可有效进行时空位移预测，为滑坡预警和风险缓解提供了方法论基础，其可解释性输出为理解主导因素和不同滑坡区域的时空变形行为提供了有价值的洞见，并验证了该框架从库岸滑坡扩展到降雨诱发堆积层滑坡的适应性。
关键技术方法方面，研究人员采用小波分析和支持向量机递归特征消除（SVM-RFE）识别关键外部触发因素和内部地质因素；构建图卷积网络（GCN）与时间融合变换器（TFT）耦合的GCN-TFT框架进行多点位移预测；利用无人机（UAV）搭载激光雷达（LiDAR）获取高分辨率数字高程模型（DEM）以提取地形因素；采用Hampel滤波、Akima插值和ICEEMDAN进行位移数据预处理。数据来源为中国两河口水电站日地滑坡2021年9月至2024年12月共17个监测点的GPS/GNSS位移、降雨和水库水位监测数据，以及无人机LiDAR衍生DEM数据；转移性验证采用湖北五峰降雨诱发堆积层滑坡WF01–WF06监测点数据。
研究结果方面，日地滑坡位移特征分析表明，2021年12月至2022年7月试验蓄水阶段位移有限，2023年随RWL波动在前缘形成明显变形带，2024年4月和12月变形加剧并在脊前缘发生大规模滑动；纵剖面位移速率呈现三项地形控制特征，P1以上陡峭地形受重力驱动，P1至P2之间因阶梯地貌位移速率稳定，P2以下受RWL波动影响最大，坡脚受河床支撑变形最小。输入变量选择方面，空间分析通过SVM-RFE评估表明地表粗糙度、坡向、坡度、距河流距离和地形起伏是控制累积位移的五个主导因素，断层影响因地质构造不发育而有限；时间分析通过小波相干（WTC）、交叉小波变换（XWT）、多小波相干（MWC）和偏小波相干（PWC）表明RWL在年际、季节和半年尺度上与位移强相关，中部和后部VEL-RWL关系强于VEL-PRE关系，PWC结果进一步表明前缘变形受RWL和降雨共同影响而中后部受RWL波动影响。邻接矩阵构建方面，基于Pearson相关分析构建了10个监测点的空间相关权重矩阵。位移预测结果方面，采用90天历史位移序列训练并对后续30天进行预测，测试集最大损失为56.34 mm，模型准确捕捉了滑坡位移趋势；2024年12月至2025年1月预测表明RWL下降期间累积位移增加，与库水位下降诱发向外渗流和渗流压力、降低边坡稳定性并加速变形的已知机制一致。预测模型比较方面，LSTM和GRU因忽略空间异质性和站点间相关性表现相对较差，TFT通过纳入地质因素和外部触发因素提高了精度但缺乏显式图结构，GCN-TFT实现了最佳整体性能，其改进源于联合建模时间演化、水文强迫、地质控制和监测点间空间依赖性。
讨论部分总结如下：关于模型有效性与启示，滑坡位移是水文气象强迫、水库运行、地下水动力学和内部地质条件共同作用的结果，传统时间序列方法和神经网络模型将变形视为基于点的过程，无法捕捉复杂滑坡条件下的空间相关变形，本研究将空间相关性纳入模型架构以提高数据利用率和预测性能，GCN-TFT模型整合地质、气象和地形数据以捕捉控制因素间的动态相互作用，通过整合内部地质条件和外部水文触发因素提高了可解释性并解决了传统AI滑坡预测模型在表征因素相互作用方面的局限。关于GCN-TFT模型可解释性与因素排序，RWL是最有影响力的因素，表明水库运行是日地滑坡变形的主导驱动因素，与第4.2.2节小波分析结果一致；距河流距离是前缘区变形的关键控制因素，长期河流侵蚀和水库诱发水力扰动削弱坡脚支撑并促进卸荷变形；静态地质和地形变量控制滑坡变形的空间分异，地表粗糙度影响最强，其次为坡向、坡度、地形起伏、平面曲率、高程和剖面曲率，坡度调节地表径流、地下水补给排泄和内部应力重分布，坡向通过太阳辐射差异影响植被覆盖和侵蚀强度进而改变坡体材料物理力学性质；TFT中Dis_center和Dis_scale为归一化相关特征，Dis_scale重要性排名第三表明原始位移时间序列的尺度和分布影响预测性能，凸显了适当预处理的重要性；GCN模块提取的位移空间相关性（SP）重要性值为0.147，表明将GCN纳入TFT提高了预测精度，GCN-TFT框架有效建模复杂多元时间序列数据并揭示时空变形模式。关于向降雨诱发滑坡的可迁移性，将GCN-TFT框架应用于湖北五峰降雨诱发堆积层滑坡，输入变量根据降雨控制变形机制调整，RWL变量替换为日降雨、前期累积降雨R0-22和有效降雨P0.9-28，预测位移曲线与所有六个监测点累积位移吻合，测试期误差为5.46 mm至11.61 mm，有效降雨R0-22、前期累积降雨P0.9-28和日降雨是影响位移预测的主要水文变量，与已有研究识别22天累积降雨和28天有效降雨为五峰滑坡主要触发因素一致；结果表明GCN-TFT框架可通过根据变形机制重新定义主导输入变量从库岸滑坡扩展到降雨诱发堆积层滑坡，一致的预测性能和可解释变量重要性结果表明显著的环境和地质适应性。关于模型局限性，该模型为数据驱动且依赖历史监测数据而未纳入物理约束，无法完全表征控制滑坡变形的渗流水力耦合过程；日地滑坡缺乏连续地下水位和孔隙水压力监测数据，降雨和RWL作为主要外部水文变量虽部分代表外部水文边界条件，但地下水数据缺乏限制了对坡体内渗流过程的解释；当前框架提供确定性预测，未来应纳入不确定性量化方法（预测区间、贝叶斯更新、蒙特卡洛模拟、集成学习和概率预测）以提高预警可靠性；数据集包含约三年17个监测点，虽滑动窗口策略增加了有效训练样本数量，但对深度学习而言数据集仍然有限，模型性能可能仍受监测时长、监测点密度和滑坡特定变形特征影响，未来应使用更长记录、更密集监测网络和不同地质条件下更多滑坡案例验证所提框架。研究结论翻译如下：本研究通过将内部地质条件和外部触发因素整合到深度学习架构中，开发了一种可解释的滑坡位移预测时空框架。利用GPS、GNSS和无人机衍生DEM数据，分析了中国两河口水电站日地滑坡的时间演化和空间变形特征，并进行了短期位移预测。主要发现如下：（1）对变形记录、地质属性和环境变量的SVM-RFE和小波分析联合分析揭示了控制机制的显著空间异质性，日地滑坡前缘变形受降雨和RWL波动共同影响，中部和后部受RWL变化控制；内部地质因素中地表粗糙度、坡度、坡向和距河流距离是控制滑坡变形的主导因素。（2）将GCN模块纳入TFT框架以捕捉监测点间的空间依赖性，与传统聚焦单个事件或局部监测点的方法不同，GCN-TFT模型有效整合了复杂多元时间序列数据并捕捉了滑坡的时空相关性，相比传统LSTM和GRU模型实现了更高预测精度。（3）优化模型预测了日地滑坡后续一个月的位移，结果表明水库水位下降期间位移持续累积增长，与已知水文触发机制一致。（4）基于注意力的可解释模块揭示了滑坡变形与影响因素之间的非线性关系，控制变量的相对重要性随监测位置和环境条件变化，突出了滑坡响应的空间异质性，这种可解释性增进了对触发过程的理解，为预警、风险评估和针对性减灾设计提供了依据。未来研究应通过纳入水文或岩土力学过程开发物理-数据混合模型以增强鲁棒性和物理可解释性，物理信息机器学习和迁移学习的最新进展为滑坡位移预测提供了新思路，这些方法提高了模型泛化能力、物理一致性和可解释性，表明滑坡位移预测正从简单数据拟合向物理约束、多源融合和跨场景建模演进。
