基于STGCN的滑坡蠕变参数反演方法，利用GNSS位移时间序列数据

《Engineering Geology》：STGCN-based inversion of landslide creep parameters using GNSS displacement time series

滑坡蠕变参数反演方法研究及验证：提出时空图卷积网络（STGCN）结合Burgers蠕变模型的新方法，通过正交实验设计生成合成位移数据，验证其在GNSS监测数据下的有效性，相比传统BPNN模型MAE降低54.5%，实现时空关联的高精度参数反演。

　　

王铎|张琴|黄冠文|杜园

长安大学地质工程与地理信息学院，中国陕西省西安市雁塔路126号，邮编710054

摘要

滑坡变形的高度非线性和时空特性给滑坡蠕变参数的准确估计带来了重大挑战。本研究提出了一种基于GNSS的新方法，该方法整合了空间和时间特性来反演滑坡蠕变参数。首先，采用Burgers蠕变本构模型描述滑坡的时变变形行为。接着，通过正交实验设计进行数值蠕变模拟，并生成用于模型训练的合成位移时间序列。基于这些数据，构建了一个时空图卷积网络（STGCN）来捕捉空间相关性和时间动态。最后，通过正向数值模拟验证了反演参数的准确性。案例研究结果表明，Burgers蠕变本构模型能够有效再现非线性蠕变行为并捕捉变形的空间演变。模拟结果与监测位移非常吻合，平均绝对误差（MAE）为0.010米。与传统反向传播神经网络（BPNN）相比，STGCN将MAE降低了54.5%，从而证明了所提方法的可靠性。这些结果表明，该方法为模拟滑坡的时空演变提供了一个强大的工具。

引言

滑坡是最常见且最具破坏性的地质灾害之一，其特点是突然发生并对人类生命、财产和基础设施造成严重影响（Huang等人，2023年）。滑坡的时变变形主要由岩土材料的蠕变行为控制，这对长期稳定性和运动起着关键作用（Cueva等人，2025年）。数值模拟已成为理解滑坡蠕变行为的重要技术，因为它可以系统地描述地质结构、材料蠕变特性和水文过程之间的复杂耦合机制（Wang等人，2025年；Zhang和Zhuang，2018年）。数值分析的准确性在很大程度上取决于材料参数的适当选择，其中蠕变参数对于预测时变响应至关重要（Li等人，2023年）。因此，准确估计岩土材料的蠕变参数对于提高滑坡演变模拟的可靠性、有效预测滑坡行为以及确保工程基础设施的安全性至关重要（Zhu和Chi，2016年）。

岩土材料参数通常通过两种方法进行估计：正向方法和反向方法。正向方法依赖于实验室和现场实验来测量岩石和土壤的物理和力学性质（Zhuang等人，2023年）。然而，岩土材料的固有异质性和不连续性往往使得使用这些方法难以获得具有代表性的准确参数（Wang等人，2018年）。此外，关键材料属性的缺乏测量以及地质环境的复杂性进一步增加了参数估计的复杂性。相比之下，反向方法通过分析观测到的响应（如位移）来推断内部材料属性，这使得它们特别适合在复杂的地质环境中估计参数。来自GNSS和其他监测技术的高分辨率时间位移数据的日益增多进一步增强了数据驱动参数反演的可行性（Wang等人，2023年）。然而，传统的反向方法（包括解析方法和数值方法）在处理强非线性、多参数和多点耦合问题时通常计算成本高且效率有限（Zhou等人，2016年）。机器学习的最新进展提供了一种有效的替代方案，它能够高效探索高维参数空间并捕捉复杂的非线性关系，而无需显式的功能假设（Jing等人，2025年；Zhang等人，2005年）。因此，基于机器学习的智能算法已被广泛用于岩土参数反演和变形预测，并成为近年来的主要研究焦点（Zhang等人，2022年）。

智能算法可以从监测数据中提取复杂和非线性关系，从而实现岩土材料参数的高效和准确反演。Sun等人（2016年）将遗传算法与神经网络结合，建立了滑坡位移与力学参数之间的非线性映射。他们的方法有效揭示了水库水位波动和降雨共同作用下的滑坡位移驱动机制。Xing等人（2021年）开发了一种基于反向传播神经网络（BPNN）的反分析方法，该方法适用于材料组成复杂的碎屑滑坡参数估计。Chen等人（2025年）提出了一种使用HHO-KELM算法的蠕变参数反演方法，该方法在长期稳定性分析的高坡度工程项目中显著提高了预测精度和计算效率。Liu等人（2025年）将改进的自适应遗传算法与基于BPNN的替代模型相结合，在目标函数中实施了分段和增量策略，以捕捉每个监测点观察到的变形的时空异质性。然而，现有方法尚未充分探索监测点之间的空间相关性。这些方法通常使用累积位移和目标参数作为模型输入和输出，而不是结合完整的时间序列数据。因此，实现能够捕捉时空特征的智能算法至关重要。这些算法可以从监测数据中有效提取空间结构和时间动态，从而最终提高滑坡参数估计和位移预测的准确性和适用性。

基于这一需求，时空图卷积网络（STGCN）通过图卷积同时建模空间依赖性，并通过时间卷积捕捉时间动态，提供了一种先进的方法（Li等人，2025年）。STGCN的图网络结构最初由Yu等人（2018年）引入，用于解决交通领域的时间序列预测挑战，当时达到了先进的性能水平。通过将监测点表示为图中的节点并纳入其物理或功能连接性，STGCN有效地捕捉了滑坡系统内的潜在空间关系。同时，时间卷积层使模型能够从位移时间序列中识别出重要的时间模式，包括蠕变趋势和相变。这种集成建模框架提高了滑坡变形行为的可解释性，并有助于准确反演时变岩土参数。

传统的岩土参数反演方法通常独立分析每个监测点，忽略了滑坡体内点之间的空间相关性。为了解决这一限制，已将基于图的深度学习纳入参数反演中，建立了一种明确整合时空特征的滑坡蠕变参数反演方法。该方法利用GNSS位移时间序列和空间图结构作为模型输入，有效反演Burgers蠕变本构模型的关键物理参数。为了构建训练和测试样本，通过正交实验设计和数值模拟生成了125个数据集。随后，实施了STGCN框架，同时学习滑坡变形序列的物理参数映射及其空间相关性。通过位移反演评估了模型的有效性和准确性。本研究的主要创新在于它从根本上不同于传统方法，后者独立处理监测点。基于STGCN的框架是第一个通过同时从位移时间序列和监测网络的空间图结构中学习来明确建模滑坡蠕变固有时空耦合的方法。这一突破使得蠕变参数的反演能够更准确地反映滑坡体的实际物理行为。因此，该框架在工程地质的长期稳定性评估和灾害预防决策中具有重要的实际价值。

章节摘录

数值模拟的蠕变本构模型

传统的弹塑性力学假设材料的本构行为，特别是其应力-应变关系，是时间不变的。然而，越来越多的实验证据表明，岩土材料表现出明显的时变本构行为。在恒定加载条件下，岩土材料会发生时间变形变化，这种现象称为蠕变。蠕变本构模型提供了这种变化的数学描述

研究区域

选择新浦滑坡作为本研究的方法实施区域。为了全面了解新浦滑坡，以下部分详细介绍了其关键特征。

数值蠕变模拟模型

开发了一个数值蠕变模拟模型，用于生成STGCN模型的位移训练数据，整合了关键蠕变参数和环境边界条件。为了实现该模型，在Rhinoceros软件中基于地质和地形数据构建了一个几何模型，如图6所示。该几何模型包括两种主要材料：下层基岩和上层岩土混合物。

讨论

本研究提出了一种基于STGCN的滑坡蠕变参数反演方法。该方法应用于新浦水库滑坡，该滑坡具有显著的空间异质性，以验证预测蠕变参数的准确性并分析滑坡的空间演变特征。系统地比较和分析了多种模型在反演Burgers蠕变本构模型参数方面的有效性。

结论

本研究调查了新浦滑坡，并提出了一种基于STGCN的蠕变参数反演方法。通过使用GNSS时间序列监测数据作为输入，该模型有效捕捉了监测站的空间布局和变形的时间演变。这种集成方法提高了蠕变参数反演的准确性和效率。主要结论如下：

(1)

Burgers蠕变本构模型成功表示了渐进的

CRediT作者贡献声明

王铎：撰写——原始草稿，研究。张琴：撰写——审阅与编辑，资金获取。黄冠文：方法论，研究，资金获取，概念化。杜园：数据整理。

资助

本研究得到了国家自然科学基金（项目编号42127802, 42374025）和中央高校基本科研业务费（项目编号300102264719, 300102264905）的支持。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

作者感谢编辑和匿名审稿人对本工作的有益批评。