考慮滯后效應(yīng)的ＣＮＮ－ＢＩＧＲＵ－Ａｔｔｅｎｔｉｏｎ 預(yù)測(cè)降水型滑坡位移

摘 要：為研究降水對(duì)滑坡的影響，基于大沙窩滑坡日降水量和位移數(shù)據(jù)，采用移動(dòng)平均法將位移分解為趨勢(shì)項(xiàng)位移和周期項(xiàng)位移，采用卷積神經(jīng)網(wǎng)絡(luò)（ ＣＮＮ） 預(yù)測(cè)趨勢(shì)項(xiàng)位移，采用帶有注意力機(jī)制（ Ａｔｔｅｎｔｉｏｎ） 的卷積神經(jīng)網(wǎng)絡(luò)－雙向門(mén)控循環(huán)單元（ ＣＮＮＢＩＧＲＵ）模型預(yù)測(cè)周期項(xiàng)位移，通過(guò)疊加趨勢(shì)項(xiàng)位移和周期項(xiàng)位移得到最終預(yù)測(cè)位移結(jié)果。采用斯皮爾曼相關(guān)系數(shù)結(jié)合滯后性研究分析變量間的滯后關(guān)系。以ＢＩＧＲＵ－Ａｔｔｅｎｔｉｏｎ、門(mén)控循環(huán)單元（ＧＲＵ）、長(zhǎng)短期記憶網(wǎng)絡(luò)（ ＬＳＴＭ） 模型為對(duì)照，比較ＣＮＮ－ＢＩＧＲＵＡｔｔｅｎｔｉｏｎ模型預(yù)測(cè)周期項(xiàng)位移的精確性。結(jié)果表明：ＣＮＮ 模型預(yù)測(cè)以３、６、１２ ｈ 步長(zhǎng)的趨勢(shì)項(xiàng)位移的Ｒ２ 值分別為０．９９２、０．９７７、０．９６５；ＣＮＮ－ＢＩＧＲＵ－Ａｔｔｅｎｔｉｏｎ 模型預(yù)測(cè)以３、６、１２ ｈ 步長(zhǎng)的周期項(xiàng)位移的Ｒ２ 值分別為０．９６３、０．９３９、０．８９６，預(yù)測(cè)精度均高于ＢＩＧＲＵＡｔｔｅｎｔｉｏｎ、ＧＲＵ、ＬＳＴＭ 模型；基于呷任依村滑坡監(jiān)測(cè)數(shù)據(jù)，驗(yàn)證了ＣＮＮ－ＢＩＧＲＵ－Ａｔｔｅｎｔｉｏｎ 模型的泛化性。

關(guān)鍵詞：位移預(yù)測(cè)；ＣＮＮ；ＢＩＧＲＵ；Ａｔｔｅｎｔｉｏｎ；大沙窩滑坡；呷任依村滑坡

中圖分類(lèi)號(hào)：Ｐ６４２．２２ 文獻(xiàn)標(biāo)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(yīng)的ＣＮＮ－ＢＩＧＲＵ－Ａｔｔｅｎｔｉｏｎ 預(yù)測(cè)降水型滑坡位移［Ｊ］．人民黃河，２０２５，４７（３）：１３５－１４０，１４５．

０ 引言

我國(guó)地理?xiàng)l件復(fù)雜，在近年多發(fā)的極端氣候影響下，地質(zhì)災(zāi)害頻發(fā)，其中滑坡災(zāi)害尤其嚴(yán)重，對(duì)人民的生命財(cái)產(chǎn)安全構(gòu)成嚴(yán)重威脅［１］ ?；聻?zāi)害表現(xiàn)出區(qū)域分布特征，在西南山區(qū)易發(fā)生大規(guī)?；率录郏玻?。我國(guó)已發(fā)現(xiàn)大量不穩(wěn)定斜坡和古滑坡［３］ ，相關(guān)研究表明大部分滑坡的變形與降水密切相關(guān)［４］ 。當(dāng)前我國(guó)傳感器技術(shù)取得飛速發(fā)展，在滑坡監(jiān)測(cè)方面廣泛應(yīng)用，通過(guò)多手段實(shí)時(shí)分析監(jiān)測(cè)數(shù)據(jù)，可實(shí)現(xiàn)滑坡監(jiān)測(cè)預(yù)警［５－６］ 。

大量監(jiān)測(cè)數(shù)據(jù)令機(jī)器學(xué)習(xí)技術(shù)預(yù)測(cè)短期滑坡位移變得可行，已有的機(jī)器學(xué)習(xí)模型包括線(xiàn)性模型（ＡＲＩＭＡ等）和非線(xiàn)性模型（ＳＶＭ、ＬＳＴＭ、ＣＮＮ、ＲＮＮ 等）［７］ 。為提高預(yù)測(cè)精度，相關(guān)研究者借鑒信號(hào)分解思想，將滑坡原始位移數(shù)據(jù)分解為趨勢(shì)項(xiàng)位移和周期項(xiàng)位移［８］ 。趨勢(shì)項(xiàng)主要反映位移的自然變化，受外部因子影響較?。恢芷陧?xiàng)反映季節(jié)變化、人類(lèi)活動(dòng)等外部因子對(duì)坡體的作用。林大超等［９］ 通過(guò)分解滑坡不同階段的位移，將不同模態(tài)的位移信息導(dǎo)入支持向量機(jī)分別預(yù)測(cè)，合成各模態(tài)的預(yù)測(cè)值得到最終位移預(yù)測(cè)結(jié)果。楊背背等［１０］ 利用移動(dòng)平均法將原始位移監(jiān)測(cè)數(shù)據(jù)分解為周期項(xiàng)位移和趨勢(shì)項(xiàng)位移，重點(diǎn)關(guān)注周期項(xiàng)位移，采用ＬＳＴＭ 模型對(duì)周期項(xiàng)進(jìn)行預(yù)測(cè)，疊加得到最終預(yù)測(cè)結(jié)果。Ｋａｌａｎｔａｒ 等［１１］ 利用遞歸神經(jīng)網(wǎng)絡(luò)（ＲＮＮ）模型，以氣象指標(biāo)數(shù)據(jù)和土壤指標(biāo)數(shù)據(jù)為輸入，預(yù)測(cè)坡度變化，最后根據(jù)坡度推導(dǎo)出坡體位移的變化。上述研究能夠捕捉非線(xiàn)性因子間的關(guān)系，重點(diǎn)關(guān)注各因子間的相互影響，但仍存在對(duì)非線(xiàn)性因子考慮不全面、對(duì)監(jiān)測(cè)數(shù)據(jù)分析不足、過(guò)度依賴(lài)單一機(jī)器學(xué)習(xí)模型等問(wèn)題。為此，本文基于降水誘發(fā)的大沙窩滑坡監(jiān)測(cè)數(shù)據(jù)，建立考慮滯后效應(yīng)的ＣＮＮ－ＢＩＧＲＵ－Ａｔｔｅｎｔｉｏｎ 模型，深入探究降水對(duì)滑坡位移的影響，以提高滑坡預(yù)測(cè)的精度和可靠性。