基于因果特征选择与Kolmogorov–Arnold网络的可解释地表位移预测

《Engineering Geology》：Explainable surface displacement prediction using causal feature selection and Kolmogorov–Arnold Networks

　　

因果特征（Causal Features）解释了不同滑坡过程的驱动因素。使用因果特征进行训练可提高地表位移预测的精度。依据滑坡过程的不同，对输入进行时间缩减可进一步改善预测效果。新近提出的基于Kolmogorov–Arnold网络（KAN）的模型整体性能良好，且模型行为具有内在可解释性。

**研究背景与问题**
滑坡和不稳定岩质边坡的失稳对人类生命和基础设施构成重大威胁。在气候变化背景下，极端天气事件频率增加，可能诱发更多斜坡失稳事件。风险评估需要综合地质结构、地下水条件与斜坡变形历史，但内部参数难以直接观测，因此通常依赖地表位移数据及外部环境变量。现有研究多集中于单独分析位移驱动因子或单独进行位移预测，统计方法（如ARIMA、卡尔曼滤波）难以捕捉非线性耦合关系，而深度学习方法虽预测能力强，却存在“黑箱”问题，用户无法解释输出与输入的逻辑关联。虽然已有因果推断方法，但在位移预测中用于特征选择尚不成熟。为此，研究人员提出了一个名为xCKAN（因果特征选择与Kolmogorov–Arnold网络可解释预测）的统一框架，整合因果发现、特征选择与可解释预测，旨在为不同地质环境下不稳定边坡提供准确且可解释的位移预测工具。该研究发表于《Engineering Geology》。

**研究方法概览**
该框架包含两个模块：模块一通过多窗口因果发现（Multi-Window Causal Discovery, MWCD）和概念漂移分割将非平稳位移序列划分为平稳段，提取因果图，并将预测目标的直接父节点作为因果特征；模块二采用新近提出的Kolmogorov–Arnold网络（KAN）进行单步预测。研究在挪威Stampa、法国La Clapière和奥地利V?gelsberg三个案例站点开展，分别涉及小型岩体失稳和大型深层重力斜坡变形（DSGSD）。数据来源包括地面雷达、全站仪、GNSS、现场气象水文站以及ERA5陆地再分析产品。所有时间序列重采样为日分辨率，并增加负度日（NDD）和冻融循环（FTC）二元特征。研究者与多层感知机（MLP）、长短期记忆网络（LSTM）、门控循环单元（GRU）、xLSTM、随机森林、XGBoost和Mamba等模型比较，通过消融实验评估不同特征组合与时间窗口的预测性能。

**研究结果**
*Stampa不稳定岩体*：因果特征包括降雨、入渗、土壤水分和冻融循环天数。KAN网络在“因果最后段”数据组合下表现最佳（RMSE=1.0525，R²=0.6201）。激活函数显示，前期位移与预测位移呈S形关系，降雨具有正向线性影响，土壤水分呈S形饱和效应，入渗和冻融循环天数则呈负相关。这验证了现场地质学家关于降雨驱动位移的推测，而经典相关分析未能支持。
*La Clapière深层重力变形*：因果特征为河流水位、气温和降雨。使用因果特征使KAN的RMSE降低54%，R²提升7.4%；在最后时段数据上训练所有模型均有改善，KAN在因果最后段组合下取得最优结果（RMSE=0.0638，R²=0.9886）。激活函数表明河流水位与预测位移近似反比，低温导致更高激活，降雨则近似指数激活，与已有的降雨驱动变形研究一致。
*V?gelsberg深层滑坡*：因果特征为另一目标位移和土壤体积含水量（第3层）。仅使用因果特征即可改善部分模型的性能，但时间缩减并未带来一致增益。最佳模型为基于全时间序列因果特征的KAN（RMSE=0.0011，R²=0.9972）。模型主要依赖前期位移，外部变量的解释力较弱，提示该斜坡可能以重力驱动为主。

**讨论与结论**
研究表明，自动识别因果特征并缩减输入数据能提高大多数深度学习模型的预测性能，尤其对因果连接较弱的区域，手动挑选至少三个强连接特征更有益。时间窗口是否收窄取决于斜坡运动特征：位移速率突变时最后段数据有效，而近线性运动时全数据更优。KAN网络因参数少、结构浅，激活函数可直接可视化，赋予模型天然的可解释性。虽然训练速度相对较慢，但推理时间短，且通过选择合适样条函数可缩小差距。该框架的解释性不仅帮助学者理解滑坡驱动机制，还为非机器学习专家提供了应用深度模型的途径，对未来早期预警系统的可信部署具有重要价值。最终结论强调，基于因果特征选择的数据缩减是提升位移预测的关键，KAN则兼顾了预测精度与可解释性，为地质灾害监测开拓了新方向。