三峡库区白水河滑坡位移预测与监测方法

《Electronics》:Displacement Prediction and Monitoring Methods for Baishui River Landslide in the Three Gorges Reservoir Area

【字体: 大 中 小 】 时间:2026年06月25日 来源:Electronics 2.9

编辑推荐:

  滑坡位移预测对于地质灾害早期预警至关重要。在库区,位移演化受降雨、库水位、植被变化以及位移序列固有的非平稳性影响,这使得传统的单序列模型难以进行准确预测。为解决此问题,本研究提出了一种融合多源监测变量的、面向残差增量的滑坡位移预测框架。位移序列首先被处理为趋势

  
滑坡位移预测对于地质灾害早期预警至关重要。在库区,位移演化受降雨、库水位、植被变化以及位移序列固有的非平稳性影响,这使得传统的单序列模型难以进行准确预测。为解决此问题,本研究提出了一种融合多源监测变量的、面向残差增量的滑坡位移预测框架。位移序列首先被处理为趋势分量和周期相关波动分量,并将残差增量作为预测目标。降雨、库水位和归一化植被指数(NDVI)被纳入作为外部监测变量。一个交叉分支注意力机制用于建模异构特征分支之间的交互,并引入了一个基于稀疏混合专家(MoE)的融合模块,以自适应地调整不同变形条件下各分支的贡献。该模型预测位移残差增量,并由此重建最终位移。研究使用白水河滑坡监测数据集进行了案例研究,并利用相关的八字门Z110滑坡监测数据集进行了额外验证,同时与传统的循环、卷积、统计和基于Transformer的基线模型进行了比较。结果表明,在测试数据集上,所提出的模型实现了比对比方法更低的均方根误差(RMSE)和平均绝对误差(MAE)。这些发现表明,残差增量建模、多源监测变量以及条件依赖的分支融合可以改善所测试库区滑坡案例的短期位移预测。
**三峡库区白水河滑坡位移预测研究:一种融合多源监测变量与自适应分支融合的残差增量框架**

**研究背景与意义**
滑坡是威胁基础设施、公共安全和人类生命的重大地质灾害。位移预测是滑坡监测与风险评估的重要组成部分,其为预警和决策提供定量信息。随着深度学习的发展,数据驱动模型越来越多地用于从监测数据中提取时间模式并整合多源观测。然而,在库区,滑坡位移演化受到降雨、库水位波动、植被季节性变化等多种外部环境因素的综合影响,同时位移序列本身具有非平稳性和复杂的周期特征,这使得准确预测极具挑战。传统的单序列模型或简单的多变量融合方法难以充分表征这种复杂动态。因此,开发能够有效融合多源异构信息、并自适应不同变形阶段主导因素的新型预测框架,对于提升库区滑坡短期位移预测精度和模型可解释性具有重要意义。本研究旨在提出并验证这样一个框架,相关成果发表于《Electronics》期刊。

**关键技术方法**
研究人员为开展研究,主要采用了以下关键技术方法:首先,构建了面向残差增量的多源预测框架,将位移序列分解为趋势分量和周期相关波动分量,并将残差增量作为预测目标。其次,设计了频率感知多尺度增强TCN(MSE-TCN)模块,通过并行因果膨胀卷积、通道重校准和频域条件调制,来建模非固定的多尺度周期相关变形模式和植被相关的季节性变化。第三,提出了双层级注意力-混合专家(DA-MoE)融合机制,通过交叉分支注意力建模异构分支间的时序交互,并利用稀疏MoE路由为每个样本自适应调整分支贡献。研究数据来源于三峡库区的白水河滑坡(ZG118监测点)和八字门滑坡(Z110监测点)的长期监测数据集,并整合了降雨、库水位以及中国250米月分辨率NDVI产品作为环境与植被变量。数据经过时间对齐、月度聚合、以及基于分段三次厄米特插值多项式(PCHIP)的周尺度重采样等预处理。

**研究结果**
**3.1. 对比实验设置**
研究人员将所提模型与LSTM、GRU、ARIMA等传统模型,以及Transformer、Informer-style、Autoformer-style等基于注意力的时序模型进行了对比。所有可训练神经网络基线均使用相同的预处理周尺度数据集、按时间顺序划分的训练/测试集、回看窗口和输入变量。结果表明,所提出的模型在测试数据集上取得了最低的RMSE和MAE以及最高的R2。与最强的基线Autoformer-style相比,RMSE从3.5123毫米降至3.3789毫米,MAE从2.1234毫米降至2.0123毫米,R2从0.9587提升至0.9621。这表明,在相同的预处理和评估协议下,残差增量预测结合多分支表征学习、交叉分支注意力和稀疏MoE融合能够改善短期位移预测。

**3.2. 计算复杂度分析**
计算效率对比显示,所提模型拥有251.8万个参数,模型大小约为9.61 MB,每个样本的平均推理时间为0.545毫秒。其计算复杂度高于简单的LSTM基线,但低于某些Transformer变体,整体上对于离线滑坡位移预测和监测应用是计算可行的。

**3.3. 外部验证与重复运行评估**
为评估模型在单次运行之外的一致性和泛化能力,研究在八字门滑坡Z110监测点数据集上进行了额外验证,并对两个数据集各进行了5次不同随机种子的重复实验。在十个数据集-种子组合中,整体平均RMSE、MAE和R2分别为3.5123毫米、2.1234毫米和0.9587,表现出有限的运行间变异,为在相关库区监测背景下提供了补充验证。

**3.4. 轻量级不确定性评估**
通过使用五个不同种子训练的模型集成,提供了预测不确定性的初步经验性指示。月尺度评估显示,集成均值总体上遵循了实测位移趋势,平均预测标准差为4.8113毫米,95%经验预测区间的平均宽度为11.1551毫米。

**3.5. 消融研究设置**
为评估框架各组成部分的贡献,研究人员进行了一系列消融实验。移除交叉注意力机制、MoE融合模块、辅助NDVI信息或MSE-TCN分支中的SE(挤压-激励)模块均不同程度地降低了预测性能。特别是移除SE模块使RMSE升至10.3621毫米,MAE升至6.1777毫米,R2降至0.9513,表明通道级特征重校准有助于表征周期分支中的信息性时序特征。

**讨论与结论**
**讨论部分总结:**
研究人员承认了当前研究的局限性。结果主要适用于回顾性或离线的库区滑坡监测分析,其中稀疏的位移记录与水文和植被变量相结合。由于不同滑坡的地质背景和触发机制差异很大,在做出更强的泛化声明之前,仍需在更多滑坡案例上进行更广泛的验证。尽管使用了重采样,但测试期包含的原始月度位移观测数量有限,且覆盖少于两个完整的季节性周期,因此报告的性能指标可能无法完全代表更广泛变形阶段、季节转换和水文条件下的变异性。此外,当前的不确定性评估基于经验集成预测范围,而非正式校准的概率预测区间,应被视为轻量级不确定性指标。

可解释性分析显示,融合模块的动态MoE分支权重随时间变化,表明模型并未固定使用不同信息源的贡献。周期分支在大多数测试月份保持较高的权重,趋势分支在若干月份变得更为突出,环境分支则呈现间歇性增加,这反映了模型在不同变形条件下自适应调整位移历史、水文信息相对重要性的行为。进一步的NDVI敏感性分析和置换重要性分析表明,NDVI在测试案例中提供了有用的预测信息。水文事件响应分析显示,降雨在滞后3周时表现出最强的响应,这与降雨入渗和地下水调整过程一致。

与近期相关研究相比,本框架的独特性在于:采用残差增量预测而非直接预测分解后的位移分量;将趋势、周期相关波动和环境信息组织到独立分支中,并将NDVI作为植被相关的辅助信息;稀疏MoE模块提供了样本级、条件依赖的分支融合,有助于描述不同变形阶段各表征的相对贡献如何变化。

**研究结论翻译:**
本研究通过双层级注意力-混合专家(DA-MoE)融合模块,整合了趋势、周期相关波动和环境表征,并将归一化植被指数(NDVI)作为植被相关辅助信息,开发了一个面向残差增量的库区滑坡位移预测框架。该框架在白水河滑坡数据集上进行了评估,并与传统的循环、卷积、统计和基于Transformer的基线模型进行了比较。

结果表明,在主要测试数据集上,所提出的框架取得了比对比基线模型更低的RMSE和MAE,并且在白水河及相关八字门Z110数据集上的重复运行评估显示,在当前评估协议下运行间变异相对有限。MSE-TCN模块改善了对非固定周期相关模式的表征,而残差增量预测策略降低了直接建模累积位移的难度。可解释性分析表明,模型在不同变形条件下动态调整了模型内部的分支贡献,反映了在测试案例中位移历史、水文信息和植被相关季节性变化的不同作用。

总体而言,所提出的框架为稀疏监测条件下的短期库区滑坡位移预测提供了一种可解释的数据驱动方法。然而,留出测试期仅包含有限数量的原始月度位移观测,且周尺度重建增加了序列的时间密度,但并未增加独立观测到的位移记录数量。因此,报告的性能应在当前回顾性重建序列的背景下进行解释,而非作为广泛时间泛化性或操作鲁棒性的结论性证据。在做出更强的泛化或操作部署声明之前,仍需在更多滑坡案例、更长的独立观测监测记录上进行更广泛的验证,并需要将框架扩展到具有更密集、更新更频繁数据的滚动原点或近实时预测。
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