长江下游岸坡变形可解释智能预测方面取得新进展

　　近日，河口海岸全国重点实验室程和琴研究员科研团队在长江下游岸坡变形智能预测方面取得新进展，相关成果以Knowledge-Infused Temporal Fusion Transformer for Interpretable Riverbank Deformation Forecasting Using Sentinel-1 InSAR Time Series为题，发表于遥感领域国际权威期刊IEEE Transactions on Geoscience and Remote Sensing。
 
研究背景
 
　　崩岸是冲积河流的重要地质灾害，威胁堤防、航运和沿江经济社会安全。2003年三峡水库蓄水以来，长江下游清水冲刷加剧，岸坡失稳问题日益突出。星载InSAR可获取大范围毫米级形变，但崩岸预警更需要可靠预测未来变形；现有深度学习模型多面向山区滑坡，普遍存在“黑箱”问题，缺乏物理可解释性和跨区域迁移能力。
 
研究方法
 
　　研究团队利用2021—2024年177景Sentinel-1影像，通过SBAS-InSAR反演长江下游典型河段形变场，并结合无人机—无人船水陆地形测量、ADCP流速观测和底沙采样，构建空天地水一体化观测体系。在此基础上提出KI-VTFT框架（图1），从两条路径嵌入领域知识：信号层面，采用贝叶斯优化变分模态分解将形变序列分解为趋势项、周期项和残差项；空间层面，以离深泓线距离、高程、坡度等7项地貌属性刻画崩岸易发性，二者共同输入时间融合Transformer进行多步预测。
 
图1  KI-VTFT框架整体架构与数据流程
 
主要发现
 
　　结果表明，在5步（60天）预测时长下，KI-VTFT的均方根误差为2.29 mm、R²为0.97，较GRU、LSTM、TCN和Transformer等模型误差降低25.96%～65.12%（图2）。可解释性分析显示，分解后的信号分量贡献了64.52%的编码器特征重要性，离深泓线距离和高程为主导静态因素，时间注意力集中于5-8月汛期；水位变幅的重要性远高于平均水位，提示预警应更关注水位涨落。重复水下地形测量、ADCP和底沙分析独立印证了模型识别的驱动因素。模型无需重新训练即可迁移至长江安徽段另一河段，5步预测误差仍为2.77 mm，优于Transformer的3.65 mm。
 
图2  典型监测点多步预测结果：(a) 观测值与GRU、LSTM、TCN、Transformer预测结果对比；(b) KI-VTFT预测值（红线）、分位数预测区间（红色阴影）与时间注意力权重（灰线）
 
研究意义
 
　　该研究将物理先验与数据驱动方法深度融合，并以野外实测闭环验证模型结论，兼顾预测精度、可解释性与可迁移性。框架基于开放获取的Sentinel-1数据，可为缺乏地面监测条件的河段提供崩岸预警技术支撑，助力长江堤防与航道安全。
 
　　论文第一作者为博士研究生丁伟杰。研究得到国家自然科学基金（42271009）、中国地质调查局地质调查项目（DD20221728）和国家留学基金（202506140012）等项目资助。