基于合成孔径雷达监测的滑坡特征提取、预警信号识别与失稳时间预测研究——临界减速理论视角

《Engineering Geology》：Research on the extraction of landslide features, identification of early warning signals, and prediction of instability time based on synthetic aperture radar monitoring: A critical slowing down theory perspective

　　

•建立滑坡预警与预测的综合分析框架。•将临界减慢理论应用于基于SAR的早期预警。•提出一种基于方差逆幂律的新型失稳时间预测模型。•在多个露天矿中验证了分钟级预测精度。引言滑坡是全球最常见、最具破坏性的地质灾害之一。露天矿边坡由于受到大规模开挖、爆破卸载、废石加载及强降雨渗流等强烈扰动，极易从高处触发高速远程滑坡（Lv et al., 2025; Wang et al., 2024, Wang et al., 2025）。此类滑坡破坏性极强，发生突然，往往在短时间内造成严重经济损失和人员伤亡。这些滑坡是当今全球滑坡灾害中最典型、最危险的人为诱发类型（Alcántara-Ayala and Sassa, 2023; Gómez et al., 2023; Zhang et al., 2025）。在此背景下，监测大规模、高精度的位移对于表征边坡整体变形、识别潜在不稳定区域以及提高预警可靠性至关重要。随着遥感监测技术的快速发展，基于合成孔径雷达（SAR）的高精度地表变形监测已成为边坡灾害早期识别与预警的重要技术手段（Parwata et al., 2020; Williams et al., 2021; Zhu et al., 2025）。与传统GNSS和全站仪监测相比，边坡合成孔径雷达（S-SAR）具有高分辨率、全天候成像和大范围连续覆盖等优势，能够实时反映滑坡体内部整体和局部时空变形特征（Lowry et al., 2013; Xiang et al., 2023）。尽管S-SAR的这些特性使其在露天矿边坡的连续监测中发挥着关键作用，但海量监测数据和空间变异性对高效处理提出了重大挑战（Atzeni et al., 2015; Yin et al., 2025）。现有研究主要依赖人工或经验性选取有限数量的代表性监测点进行趋势分析或失稳预测。这种方法未能充分考虑监测点之间的相关性和空间耦合效应，往往导致整体趋势偏差（Xu et al., 2025）。例如，Zhou et al.（2020）采用单点数据结合改进反速度法对露天铁矿滑坡进行失稳时间预测，但未能捕捉整个滑坡的协同响应特征。Tan et al.（2023）利用多阈值准则和切线角变化增强单点预测方法，但同样忽略了区域间的耦合关系。Qin et al.（2024）利用位移相减法和速度倒数法，以变形区的代表性监测曲线为基础消除高频波动，实现了更早的预警时间。然而，其方法仍局限于局部特征分析。尽管这些研究在不同程度上提高了预测精度，但普遍缺乏多点协同和空间变异分析，阻碍了对滑坡体整体演化特征和空间响应模式的全面揭示。近年来，学者们提出了多种预测滑坡失稳的方法。例如，Zhang et al.（2021）基于反速度法假设立建立了一种T-log(t)对数模型，通过监测数据持续更新临界时刻估计，提高了时空预测精度。Ren et al.（2025）提出了一种基于边坡雷达多点群位移监测数据的非线性最小二乘多点协同反速度法，用于滑坡失稳时间预测，并对单点和群预测结果进行稳定性评估。Hu et al.（2025）通过整合经验模态分解、曲线拟合、门控循环单元深度学习和改进反速度法，预测了三峡库区多个滑坡的位移和失稳时间，验证了InSAR数据融合和混合深度学习在区域滑坡预警中的应用潜力。Liu et al.（2022）开发了一种用于表征边坡的数字孪生实用框架，预测了香港一个降雨诱发边坡的失稳时间演化，展示了数字监测在及时预测方面的优势。尽管上述方法在预测滑坡失稳时间方面取得了显著进展，但在识别工程尺度滑坡系统的多点协同预警信号方面仍有进一步研究的必要。滑坡失稳前预警信号的识别是监测和防灾工作的核心组成部分，对于保障人员安全和矿区稳定运行至关重要。近年来，随着遥感监测等技术的发展，越来越多的研究开始关注滑坡前兆和预警信号的识别。Strz?ba?a et al.（2024）对2010年至2024年间近200项利用遥感技术识别滑坡前兆和预警信号的研究进行了系统综述，指出先进的遥感监测技术已成为支持区域和局部尺度滑坡预警的重要手段。Mei et al.（2025）将基于干涉合成孔径雷达（InSAR）的边坡尺度监测数据与时空变形演化分析相结合，实现了对滑坡前兆的识别。该方法优于仅依赖单点时间序列的传统方法。Qiao et al.（2020）利用地基干涉雷达监测了土石坝边坡在开挖和物料运输过程中的变形，以等效位移体截面面积变化率作为指标，构建了四级预警体系，实现了开挖过程中的实时动态监测。先前的研究表明，在滑坡失稳之前通常会出现一种称为临界减慢（CSD）的独特现象；即随着系统接近失稳阈值，其恢复速率降低，而方差和自相关系数逐渐增大，表现为典型的统计放大效应（Fan et al., 2025; Zhu and Tang, 2022; Tang et al., 2022）。然而，大多数相关研究仅限于小规模岩石力学实验（如Zhao et al., 2025; Huang et al., 2023; Xu et al., 2023），针对实际工程尺度滑坡体中CSD特征的识别与验证仍缺乏系统研究。基于上述研究，本文利用S-SAR雷达监测数据，建立了一个集多点变形特征提取、预警信号识别和失稳时间预测于一体的综合分析框架。首先，采用K-Means聚类对多个监测点的位移时间序列进行空间分区，并利用滑动窗口Pearson相关性识别代表性监测点。其次，引入临界减慢理论，通过分析方差和自相关系数的演化来识别滑坡失稳前的预警信号。最后，以预警时间为起点，构建基于方差逆的幂律模型来预测滑坡失稳时间，从而实现对失稳前阶段的定量预测。与现有研究主要关注预测滑坡失稳时间不同，本文进一步将预警信号识别与失稳时间预测相结合，并将临界减慢理论应用于工程尺度露天矿滑坡的多点监测与分析，从而实现了从早期识别到失稳预测的滑坡演化过程的连续表征。本研究为复杂滑坡演化过程的统计识别提供了一种新的分析方法，并为露天矿边坡灾害的预警、失稳时间预测和风险管理提供了技术可行的方法。其在工程地质领域复杂边坡的长期监测与灾害防控方面具有重要的参考价值。章节摘要工程地质环境与边坡特征本研究聚焦于刚果民主共和国（DRC）某露天铜钴矿的南边坡。随着露天采矿活动的持续深化，边坡高度逐渐增加，边坡长期受到采矿扰动、爆破振动、降雨入渗和岩石风化等作用。这些过程逐渐降低了边坡岩体的结构完整性，导致明显的变形和局部破坏，在K-means算法原理K-means是一种经典的无监督聚类算法，能够高效地揭示数据中的内在结构和模式。其核心思想是将给定的监测样本集X = {x1, x2, …, xn}自动划分为K个互斥的簇，使得每个样本与其簇中心之间的欧氏距离平方和最小（其中n表示监测点数量）。优化目标可表示为（Jalali, 2016）：min Ck ∑k=1K ∑xi∈Ck ||xi ? μk||2其中Ck表示CSD理论预警原理为了及时识别滑坡失稳前监测点时间序列数据中的预警信号，并揭示其统计特征的演化模式，引入临界减慢理论构建预警指标体系。CSD是指复杂自然动力学系统在接近临界失稳阈值时，对外部扰动的恢复速度降低的现象。这通常表现为增强的局部波动和单点动态预警方法受篇幅限制，本文仅展示了滑坡前监测点201在不同时间窗口下位移、速度和加速度时间序列的方差与自相关系数演化情况（每6小时滚动更新一次），如图16、图17、图18所示（注：横轴表示完整的监测时间序列。为避免日期标签重叠，仅显示了部分时间刻度；实际分析结论本研究旨在识别滑坡预警信号并预测失稳时间。可得出以下结论：（1）K-means聚类方法能够自动对267个监测点的位移时间序列进行分组，并表征滑坡体不同区域的局部变形。其中，Cluster 3包含207个点，表现为累计位移持续加速，构成了主要变形区且高度活跃。CRediT作者贡献声明Jun Cheng Zhong：撰写—初稿，可视化。Zhengxing Yu：撰写—审阅与编辑。Yihai Zhang：撰写—审阅与编辑。Yi Ren：撰写—审阅与编辑。Haitao Ma：撰写—审阅与编辑。知情同意声明不适用。机构审查委员会声明不适用。资金支持本文所述研究由项目"西藏超陡边坡失稳变形机理及关键预警技术"（XZ202502ZY001203）资助。利益冲突声明本手稿提交不存在利益冲突，且手稿已获所有作者批准发表。我谨代表所有合著者声明，所描述的工作为原创研究，此前未曾发表，且未在其他地方投稿考虑，无论是全部还是部分内容。所有列出的作者均已批准所附手稿。Jun Cheng Zhong|Zhengxing Yu|Yihai Zhang|Yi Ren|Haitao Ma