STHG-MSGNN:一种基于时空异质性引导的多尺度图神经网络,用于大规模城市地面沉降预测

《Journal of Computational Science》:STHG-MSGNN: A Spatiotemporal Heterogeneity-Guided Multi-Scale Graph Neural Network for large-scale urban land subsidence prediction

【字体: 大 中 小 】 时间:2026年04月24日 来源:Journal of Computational Science 3.7

编辑推荐:

  时空异质性驱动的多尺度图神经网络模型STHG-MSGNN通过时空异质性建模与多尺度特征融合,显著提升武汉地区基于InSAR数据的地面沉降预测精度,实验表明其RMSE、MAE和sMAPE分别优于基准模型6.72%、9.59%和9.13%。

  
城市地面沉降预测的时空异质性建模创新研究

地面沉降作为重要的地质灾害类型,近年来在城市化进程中呈现加剧趋势。传统预测方法在应对复杂地质条件时存在显著局限性,主要表现为对时空异质性的建模不足。基于InSAR技术的最新研究进展,本文提出时空异质性引导的多尺度图神经网络模型(STHG-MSGNN),在武汉地区实测数据验证中展现出突破性性能。

该方法创新性地构建了"时空双通道异质性检测-多尺度特征融合"的递进式处理框架。在时空特征解析阶段,采用动态权重分配机制实现异质性区域的精准识别:通过Wasserstein距离量化时间序列平稳性,结合Weibull分布拟合空间沉降强度分布,建立双维度异质性指标体系。这种定量分析技术有效解决了传统方法依赖人工经验划分区域的局限性,使模型能自适应识别地质构造差异、人类活动影响差异等复杂因素。

时间特征处理模块采用分层解耦策略,通过非平稳时间序列的动态分解实现多尺度特征提取。具体而言,建立双通道处理架构:对平稳时间序列应用轻量化多层感知机捕捉宏观趋势,对非平稳序列则采用过去可分解混合模块(PDM),通过时间维度上的自适应混合机制整合周期性、趋势性和突发性特征。这种设计突破了传统时间序列模型对平稳性的强制假设,使模型能更灵活地处理降雨、地下水抽采等动态因素引发的沉降波动。

空间特征建模方面,构建了多尺度图卷积网络架构。在局部空间尺度(500米网格单元)采用细粒度图卷积捕获建筑荷载、地下水位等微观因素影响,在全局空间尺度(3公里网格单元)引入自适应邻域传播机制,捕捉地质构造、城市扩张等宏观背景作用。特别设计的门控融合模块,通过动态加权整合不同尺度特征,显著提升了模型对复杂空间异质性的表征能力。

实验验证部分选取武汉典型城区作为研究区域,覆盖2020-2023年Sentinel-1A InSAR数据。对比实验显示,STHG-MSGNN在MAE、RMSE、sMAPE三个核心指标上分别优于基准模型6.72%、9.59%、9.13%。消融实验证实:异质性检测模块使模型在非平稳序列处理上提升23.6%,多尺度时空融合模块贡献额外15.8%的性能增益,双重改进使整体预测精度提升达42.4%。

该方法的重要突破体现在三个方面:首先,建立"时间平稳性-空间强度"双维度异质性评估体系,突破传统单一维度判断的局限性;其次,创新性地将动态图卷积与时间序列分解相结合,实现空间异质性的多尺度建模;最后,通过自适应门控机制,使不同时空尺度的特征能根据实际地质条件进行动态组合。这些改进有效解决了现有模型在处理大范围、多因素耦合区域时出现的特征混淆和过拟合问题。

实际应用中,该模型展现出显著的环境适应能力。在武汉长江沿岸区域,模型能准确捕捉到地质构造差异导致的沉降速率变化;在新建城区,成功识别出建筑荷载变化引发的局部沉降异常。特别在2022年夏季暴雨期间,模型通过实时更新时空异质性指标,将预测误差控制在0.8毫米以内,较传统方法降低37%。

该研究为智能城市监测提供了新范式,其核心价值在于建立了"数据特征-模型架构-应用场景"的有机联系。在工程实践中,建议采用分层部署策略:基础层部署时空异质性检测模块,用于实时更新区域特征权重;中间层配置多尺度图卷积网络,实现不同空间粒度的特征融合;输出层结合物理机制约束,提升预测结果的解释性。这种架构既保证了模型的计算效率,又兼顾了预测精度与可解释性之间的平衡。

未来研究可沿着两个方向深化:一是拓展异质性评估维度,将气象、地质、工程等多源数据纳入动态权重计算;二是开发轻量化边缘计算版本,以适应城市沉降监测的实时性需求。当前模型已部署在武汉城市信息模型平台,实现沉降预测与应急响应的联动机制,为智慧城市建设提供了可靠的技术支撑。

实验数据表明,模型在长期沉降预测(12个月以上)中表现尤为突出,其MAE值仅为基准模型的58%。这源于对地质记忆效应的建模创新,通过构建时空关联的图神经网络,使模型能够有效捕捉不同地质单元的长期演化规律。在地质条件突变区域(如新近纪地层),模型通过动态调整空间关联权重,将预测误差控制在0.5毫米以内,显著优于传统静态空间建模方法。

本研究对城市地质安全评估具有重要实践意义。在武汉试点应用中,成功预警了汉口火车站周边3平方公里的潜在沉降区,该区域因轨道交通建设存在显著地质应力变化。通过持续监测和预测反馈,模型可动态调整预警阈值,为城市基础设施维护提供科学依据。目前该方法已纳入《武汉市城市地质安全监测技术规范》,并在长三角城市群推广应用。

总体而言,该研究不仅推动了地面沉降预测模型的性能突破,更重要的是建立了可解释的智能决策框架。通过可视化特征热力图,可清晰展示地质构造、人类活动、水文条件等不同因素对沉降的时空影响程度。这种透明化建模机制,为复杂工程问题的多主体协同治理提供了新的技术路径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号