考慮滯后效應的ＣＮＮ－ＢＩＧＲＵ－Ａｔｔｅｎｔｉｏｎ 預測降水型滑坡位移

摘 要：為研究降水對滑坡的影響，基于大沙窩滑坡日降水量和位移數據，采用移動平均法將位移分解為趨勢項位移和周期項位移，采用卷積神經網絡（ ＣＮＮ） 預測趨勢項位移，采用帶有注意力機制（ Ａｔｔｅｎｔｉｏｎ） 的卷積神經網絡－雙向門控循環單元（ ＣＮＮＢＩＧＲＵ）模型預測周期項位移，通過疊加趨勢項位移和周期項位移得到最終預測位移結果。采用斯皮爾曼相關系數結合滯后性研究分析變量間的滯后關系。以ＢＩＧＲＵ－Ａｔｔｅｎｔｉｏｎ、門控循環單元（ＧＲＵ）、長短期記憶網絡（ ＬＳＴＭ） 模型為對照，比較ＣＮＮ－ＢＩＧＲＵＡｔｔｅｎｔｉｏｎ模型預測周期項位移的精確性。結果表明：ＣＮＮ 模型預測以３、６、１２ ｈ 步長的趨勢項位移的Ｒ２ 值分別為０．９９２、０．９７７、０．９６５；ＣＮＮ－ＢＩＧＲＵ－Ａｔｔｅｎｔｉｏｎ 模型預測以３、６、１２ ｈ 步長的周期項位移的Ｒ２ 值分別為０．９６３、０．９３９、０．８９６，預測精度均高于ＢＩＧＲＵＡｔｔｅｎｔｉｏｎ、ＧＲＵ、ＬＳＴＭ 模型；基于呷任依村滑坡監測數據，驗證了ＣＮＮ－ＢＩＧＲＵ－Ａｔｔｅｎｔｉｏｎ 模型的泛化性。

關鍵詞：位移預測；ＣＮＮ；ＢＩＧＲＵ；Ａｔｔｅｎｔｉｏｎ；大沙窩滑坡；呷任依村滑坡

中圖分類號：Ｐ６４２．２２ 文獻標志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２５．０３．０２１

引用格式：肖金濤，王自法，王超，等．考慮滯后效應的ＣＮＮ－ＢＩＧＲＵ－Ａｔｔｅｎｔｉｏｎ 預測降水型滑坡位移［Ｊ］．人民黃河，２０２５，４７（３）：１３５－１４０，１４５．

０ 引言

我國地理條件復雜，在近年多發的極端氣候影響下，地質災害頻發，其中滑坡災害尤其嚴重，對人民的生命財產安全構成嚴重威脅［１］ 。滑坡災害表現出區域分布特征，在西南山區易發生大規模滑坡事件［２］ 。我國已發現大量不穩定斜坡和古滑坡［３］ ，相關研究表明大部分滑坡的變形與降水密切相關［４］ 。當前我國傳感器技術取得飛速發展，在滑坡監測方面廣泛應用，通過多手段實時分析監測數據，可實現滑坡監測預警［５－６］ 。

大量監測數據令機器學習技術預測短期滑坡位移變得可行，已有的機器學習模型包括線性模型（ＡＲＩＭＡ等）和非線性模型（ＳＶＭ、ＬＳＴＭ、ＣＮＮ、ＲＮＮ 等）［７］ 。為提高預測精度，相關研究者借鑒信號分解思想，將滑坡原始位移數據分解為趨勢項位移和周期項位移［８］ 。趨勢項主要反映位移的自然變化，受外部因子影響較小；周期項反映季節變化、人類活動等外部因子對坡體的作用。林大超等［９］ 通過分解滑坡不同階段的位移，將不同模態的位移信息導入支持向量機分別預測，合成各模態的預測值得到最終位移預測結果。楊背背等［１０］ 利用移動平均法將原始位移監測數據分解為周期項位移和趨勢項位移，重點關注周期項位移，采用ＬＳＴＭ 模型對周期項進行預測，疊加得到最終預測結果。Ｋａｌａｎｔａｒ 等［１１］ 利用遞歸神經網絡（ＲＮＮ）模型，以氣象指標數據和土壤指標數據為輸入，預測坡度變化，最后根據坡度推導出坡體位移的變化。上述研究能夠捕捉非線性因子間的關系，重點關注各因子間的相互影響，但仍存在對非線性因子考慮不全面、對監測數據分析不足、過度依賴單一機器學習模型等問題。為此，本文基于降水誘發的大沙窩滑坡監測數據，建立考慮滯后效應的ＣＮＮ－ＢＩＧＲＵ－Ａｔｔｅｎｔｉｏｎ 模型，深入探究降水對滑坡位移的影響，以提高滑坡預測的精度和可靠性。