滑坡作为一种破坏性极强的地质灾害，长期威胁人类的生命财产和重大工程安全。精确预测滑坡位移的演化趋势，是该类灾害早期预警与风险防控的核心挑战。传统的滑坡预测方法多聚焦于少量测点数据的时间序列建模，难以充分挖掘滑坡变形分布的空间关联性。同时，主流的深度学习模型普遍存在“黑箱”特性，缺乏对位移主导控制因子及其影响机制的清晰解释，限制了这些模型在滑坡预警决策中的应用可信度。

针对上述关键科学难题，必赢242net朱鸿鹄教授课题组提出了一种融合图神经网络（GNN）与门控循环单元（GRU）的可解释性时空深度学习模型（ST-GNN，如图1所示），为滑坡预测预警开辟了一条新路径。ST-GNN模型通过GNN构建滑坡多个测点的空间拓扑关系，依据欧氏距离与位移序列的皮尔逊相关系数定义邻接矩阵权重，实现跨点位特征共享；同时采用GRU捕捉环境驱动因子的动态时序规律，并内嵌特征级注意力机制，自动识别关键驱动因子并量化其影响权重，形成时空双维度的耦合分析框架（图1）。研究团队引入了物理机制驱动的数据预处理流程：首先分离滑坡位移的趋势项（反映长期演化）与周期项（反映季节性波动），进而通过互相关函数校正库水位变动、降雨等影响因子对滑坡位移演化的时滞效应，显著提升了该模型对滑坡动力过程的刻画精度（图1d）。

在长江三峡库区巨型顺层基岩滑坡——藕塘滑坡（图2）的案例中，研究团队依据滑坡变形的多期次特征，将滑坡体划分为O1（坡脚）、O2（中部）、O3（坡顶）三个区域，并利用图神经网络对每个区域中的测点位移监测结果进行建模分析，实现了跨点位特征共享与空间模式识别。分析结果显示，ST-GNN模型的预测精度与稳健性显著优于传统的长短期记忆网络（LSTM）、GRU等方法（图3）。同时，模型内嵌的注意力模块识别了滑坡不同位置处位移的主控因子：坡脚处位移受库水位波动主导，因其毗邻河岸；坡顶处位移则对降雨和气温变化更为敏感，反映日照诱发地表干裂，进而对入渗路径有调控作用（图4）。本研究揭示的这种空间变异现象为深入理解藕塘滑坡变形的主控机制、设置分区化预警阈值及差异化治理策略提供了科学依据。

该研究近期以“Enhancing Landslide Displacement Prediction Using a Spatio‐Temporal Deep Learning Model With Interpretable Features”为题，发表于美国地球物理联合会（AGU）主办的地球科学领域知名期刊《Journal of Geophysical Research: Machine Learning and Computation》。论文第一作者为必赢242net官网博士研究生王佳，通讯作者为朱鸿鹄教授，论文合作者还包括张巍副教授、谭道远副教授，以及意大利国家研究委员会水文地质保护研究所Alessandro Pasuto教授。研究工作得到了国家自然科学基金杰出青年科学基金（42225702）、国际（地区）合作与交流项目（42461160266）及欧盟地平线玛丽·居里行动项目（101131146）的联合资助。

论文信息：

Wang, J., Zhu, H.‐H., Zhang, W., Tan, D.‐Y., & Pasuto, A. (2025). Enhancing landslide displacement prediction using a spatio‐temporal deep learning model with interpretable features. Journal of Geophysical Research: Machine Learning and Computation, 2, e2025JH000592. https://doi.org/10.1029/2025JH000592

图1 具有可解释特征的时空深度学习模型：(a)测点的位移时间序列；(b) 位移趋势项与周期项时间序列分解；(c)时空图神经网络模型；(d)时滞计算模块

图2 三峡库区藕塘滑坡

图3 ST-GNN、LSTM与GRU模型的预测结果对比

图4 注意力权重分布结果

图文：王佳

审核：陈天宇