摘要
准确的时间序列预测对于地质灾害的早期预警至关重要，但仍然是一个主要挑战。传统的现场地质技术监测成本高昂且受空间限制，而应用于遥感数据的深度学习虽然越来越普遍，但其模型决策过程往往不够透明。为了解决这个问题，我们提出了一个基于Transformer的预测框架——PatchTST-Fusion，该框架专门适用于多变量多时相干涉合成孔径雷达（MT-InSAR）时间序列。该框架通过TimeSHAP集成模型可解释性分析，为输入序列提供时间和特征级别的解释。首先从Copernicus Sentinel-1 SAR数据中提取滑坡变形时间序列，然后应用变分模态分解（Variational Mode Decomposition）将非线性信号分解为趋势、季节性和噪声成分。经过去噪处理后的位移序列使用PatchTST-Fusion进行建模和预测，该框架将降雨量和水库水位变化作为特征级别的驱动因素。在中国三峡水库区域的Daping滑坡群应用表明，我们的方法能够捕捉到变形与其触发因素之间的长期和瞬态非线性耦合关系，其MAE提高了7-55%，RMSE提高了10-52%，优于包括CNN-BiGRU-Attention、Informer和原始PatchTST在内的现有模型。除了预测性能的提升外，通过TimeSHAP对环境触发因素的特征归因还揭示了降雨量和水库调节对坡体运动的影响具有时间上的差异性，其中高相对重要性集中在特定时期，并表现出特征性的滞后响应。这一可解释的框架不仅提高了预测精度，还提供了基于过程的洞察，为水库区域的滑坡早期预警提供了一个广泛适用的工具。
