《Frontiers in Earth Science》：Research on landslide displacement risk prediction and avoidance method
编辑推荐：
本文聚焦滑坡位移预测领域，针对现有研究多关注数值精度而忽略位移低估可能导致的严重后果这一问题，研究人员开展了一项集成风险规避机制的滑坡位移预测方法研究。该方法采用双重指数平滑(DES)捕捉位移长期趋势，构建支持向量回归(SVR)与极端梯度提升(XGBOOST)的混合模型刻画周期波动，并设计了包含惩罚因子的损失函数以降低预测的低估风险。在苏州大阳山滑坡的实证评估中，该方法不仅保持了较高的预测精度，还显著降低了位移低估率，实现了预警策略的动态自适应优化与风险控制。
滑坡灾害的发生往往具有高频、分布广泛、破坏力强的特点，不仅导致生态退化，也造成巨大的经济损失。因此，准确预测滑坡的水平位移变化，成为防灾减灾工作中经济高效且实用的策略。然而，滑坡的水平位移变化极为复杂，其预测一直是自然灾害研究中的核心挑战。当前的研究大多侧重于预测精度的定量评估，却普遍忽视了预测结果的随机波动性及其对整个系统风险的影响。传统的评估体系通常使用均方根误差等指标来衡量模型性能，但这些方法无法反映预测值在置信区间内的波动特征，且未将风险损失纳入优化目标。例如，在滑坡位移预测中，如果模型预测位移为0.9米，而实际监测值为1.0米，绝对误差虽仅为0.1米，但这种低估可能会误导决策者，延误必要的工程干预，最终可能导致在临界条件下突然失稳。问题的核心在于，传统精度指标仅反映了预测值与观测值之间的数值差异，并未量化预测不确定性如何传导至滑坡风险决策中。
风险规避策略的本质在于通过主动干预来降低风险发生概率或减轻潜在损失。在滑坡位移预测的语境下，风险规避并非简单地做出保守预测，而是引入概率预测框架，将位移预测转化为概率分布估计，再结合风险矩阵方法，评估不同预测置信水平下滑坡失稳的概率。这从根本上将“事后补救”的被动应对转向“事前控制”的主动干预，从而规避传统以精度为导向的方法可能遭遇的“灾难性低估陷阱”。近年来，风险规避的概念在滑坡位移预测领域的研究主要沿着两个轨迹演进：一是以贝叶斯框架、分位数回归等为代表的概率预测与不确定性量化；二是专注于提高确定性点预测的精度。然而，在确定性点预测的范式内，如何通过重新设计损失函数，主动、直接地缓解系统性低估带来的特定风险，相关研究仍显不足，其方法论框架有待进一步丰富和发展。
本项研究旨在填补这一空白，提出了一种融合风险规避机制的新型确定性点预测方法。该方法首先利用二次指数平滑法（Double Exponential Smoothing, DES）将滑坡累积位移分解为趋势位移和周期位移，前者用于捕捉长期变化趋势，后者则反映了由降雨、地下水位等诱发因素导致的波动。为了对周期位移进行高精度且风险可控的预测，研究构建了一个混合模型，该模型融合了支持向量回归（Support Vector Regression, SVR）和极端梯度提升（Extreme Gradient Boosting, XGBOOST）两种算法。选择这两种经典机器学习模型，是基于其对样本规模要求适中、在小规模数据集上具有更好的鲁棒性和样本效率，且相对复杂的深度学习“黑箱”模型具有更好的可解释性。混合模型通过连接参数（w1, w2, b）将SVR和XGBOOST的预测结果进行加权融合，以结合两者的优势。
研究的核心创新在于引入了一个具有惩罚机制的非对称损失函数，以将“减少低估”的风险偏好直接内化到模型训练的优化目标中。该损失函数对预测值低于真实值（即低估）的情况施加了更严厉的惩罚，从而迫使模型输出的预测值系统性偏向保守（即更高估值）一侧，以降低因预测不足而引发灾难性误判的风险。为求解混合模型的最优连接参数，研究人员采用了改进的灰狼优化算法（Modified Grey Wolf Optimizer, MGWO），以应对损失函数非凸、非微分特性带来的优化挑战。最终，将预测得到的趋势位移与周期位移叠加，即可获得完整的累积位移预测值。本项研究相关成果发表在《Frontiers in Earth Science》期刊。
为了验证所提方法的有效性，研究人员选择了中国苏州的大阳山滑坡作为实证案例。该区域是重要的高岭土矿区，近年来因地下采空区持续扩大及强降雨影响，岩土体发生开裂变形，甚至引发小规模滑坡灾害。研究利用了从2025年3月7日至8月19日期间，部署于D4 GNSS监测点、雨量计和地下水位监测设备采集的高频时间序列数据，包括位移、降雨、土壤温度、土壤含水率等多类特征。数据经过粗差剔除、时间对齐和插值等预处理后，用于模型训练与测试。
主要技术方法
本研究应用的核心技术方法包括：1. 时间序列分解：采用二次指数平滑法（DES）将滑坡累积位移序列分解为趋势项和周期项。2. 混合预测模型构建：集成支持向量回归（SVR）和极端梯度提升（XGBOOST）两种机器学习算法，通过优化确定的权重参数进行预测结果融合。3. 风险规避损失函数设计：设计了一种非对称的惩罚性损失函数，在模型训练中加大对预测低估的惩罚力度，以主动控制风险。4. 智能优化算法：采用改进的灰狼优化算法（MGWO）求解混合模型的最优连接参数，以最小化所设计的风险规避成本函数。实证分析基于苏州大阳山滑坡的实际监测数据队列展开。
研究结果
1. 数据关联性与位移分解
分析监测数据发现，土壤温度、土壤含水率与滑坡累积位移均呈较强的负相关，但这更可能反映了季节性气候变化的协同效应。降雨对位移的影响存在显著滞后性。通过DES（α=0.4）成功将累积位移分解为平滑的趋势项和波动的周期项，为后续分别建模奠定了基础。
2. 周期位移预测与模型参数优化
从降雨、气温、土壤温湿度等指标中提取了6个影响因子用于周期位移预测。采用MGWO算法对SVR-XGBOOST混合模型的连接参数进行迭代优化，最终得到最优参数（w1=0.44, w2=0.1, b=-15.9）。预测结果显示，混合模型对周期位移的预测值能够紧密跟随实际值的变化趋势，训练集和测试集的预测误差分布集中，大部分样本的预测误差绝对值小于一个标准差。
3. 与单一模型的预测性能对比
将混合模型的预测结果与单一的SVR模型、XGBOOST模型进行对比。在测试集上，混合模型的均方根误差（RMSE）为1.123毫米，平均绝对误差（MAE）为0.927毫米，均低于单一模型。更重要的是，混合模型的位移预测低估率为45%，低于SVR模型的48.3%和XGBOOST模型的83.3%。这表明混合模型在提升预测精度的同时，有效降低了对位移值的低估风险。
4. 风险规避有效性与复杂性讨论
虽然基于当前测试集规模，混合模型在低估率上绝对降低3.3%的统计学显著性不强，但在滑坡灾害预警的工程决策框架下，其价值更体现在风险最小化原则。该方法在未牺牲预测精度（甚至略有提升）的前提下，系统性地降低了因预测值偏低导致灾难性漏报的风险。模型增加的复杂度（混合结构与MGWO优化）主要体现在离线训练阶段，在线预测阶段的计算开销与单一模型相当，不影响实时预警系统的部署效率。
5. 预测时滞及其对预警可靠性的影响
所有模型的预测曲线在捕捉位移波动时均表现出一定的时间滞后。这源于滑坡体对降雨等触发因素响应的固有物理滞后，以及数据驱动模型对复杂物理动力学过程学习不足所引入的模型滞后。尽管存在滞后，但本研究所提出的风险规避机制（惩罚性损失函数）迫使模型输出更保守（更高）的位移预测。在数次位移加速的关键阶段，混合模型的预测值在时间上虽略有延迟，但其幅度更接近甚至超过了后续的实际位移峰值。这意味着基于混合模型预测值设置的预警阈值可能会被更早触发，从而在实践中部分补偿了因时滞损失的预警时间，增强了系统应对突发加速事件的鲁棒性。
结论与讨论
本研究提出了一种集成风险规避机制的滑坡累积位移预测方法。该方法采用DES进行位移分解，利用SVR-XGBOOST混合模型刻画周期位移的非线性映射关系，并通过设计带惩罚机制的损失函数来主动抑制位移预测的低估风险，最后采用MGWO算法优化模型参数。在苏州大阳山滑坡的实证应用中，该方法不仅保持了较高的预测精度（RMSE=1.123mm, MAE=0.927mm），还将位移低估率从单一SVR模型的48.3%降低至45%，实现了预测精度与风险控制的平衡。
本工作的意义在于，它代表了对点预测模型范式的一种继承与发展。与专注于输出概率分布或区间的概率预测方法不同，本研究在确定性点预测框架内，通过内嵌风险偏好（惩罚低估），直接输出了一个具有内置安全边际的预测值，为偏好决策效率或资源受限场景下的风险规避提供了一种轻量级、可解释的解决方案。模型中的“保守性系数”r具有可调性，允许工程师根据特定滑坡的风险等级和安全阈值，灵活调整模型对低估风险的厌恶程度，这为构建自适应预警系统提供了方法论基础。当然，预测时滞问题仍是未来需要攻克的核心挑战。考虑模型不确定性的影响，未来研究可聚焦于滑坡位移的预测区间研究，以进一步丰富和完善滑坡风险预警的理论与技术体系。
