一种基于静态动态异构特征学习的区域滑坡预测方法

本发明属于地质灾害预测技术，尤其涉及一种基于静态动态异构特征学习的区域滑坡预测方法。

背景技术：

1、区域滑坡预测对于防灾减灾和保障生命财产安全具有至关重要的作用。特别是在极端气候频发、短时强降水增多的背景下，精准的区域滑坡灾害发生概率预测是实现早期预警和应急部署的核心支撑。

2、在全球极端气候频发的背景下，短时强降水引发的区域滑坡地质灾害日益严重。目前的区域滑坡预测方法主要分为以下几类，但均存在显著缺陷：

3、1.基于气象触发因子的经验降雨阈值法：未能充分考虑地质环境的空间异质性，容易在地形稳定的区域产生较高的误报率。

4、2.基于静态环境变量的机器学习法：主要用于生成静态的滑坡易发性地图，难以捕捉动态的降雨触发过程，无法提供具体的失稳时间。

5、3.物理机制模型：计算过程严谨，但需要进行密集的现场入渗实验和室内直剪试验来获取土壤力学参数，在广袤的山区应用时受限于岩土测试成本和参数校准难度。

6、4.传统数据驱动的机器学习技术：计算目标区域的静态地形地质因子，并将其与前期降雨的统计特征直接进行表格化拼接。这种直接拼接（direct concatenation）策略将环境易发性和气象触发因素视为独立的输入，无法保留异构数据各自的数值特性，严重限制了表征地形对降雨水文响应调节作用等内部物理交互机制的能力。

7、然而，上述多数预测方法在处理多源异构数据时存在明显缺陷。目前主流的模型处理流程通常为：“静态空间地质因子+动态降雨时间序列→直接拼接（concat）→输入模型进行预测”。这种简单粗暴的数据拼接方式会导致严重的异构信息混合，不仅抹杀了空间背景数据和时间序列数据各自特有的数值分布特性，还造成了静、动态特征的表达严重不足，无法在数学上准确刻画地质环境对降雨触发过程的相互作用机制。

8、因此，本领域亟需一种将静态空间因子与动态降雨序列进行分别特征学习的新方法，以解决现有异构数据直接拼接所导致的特征表达受限问题。

技术实现思路

1、为克服现有技术中将静态地质环境因子与动态降雨时间序列直接拼接融合所导致的异构信息相互干扰、特征表达严重不足的问题，本发明提供一种基于静态动态异构特征学习的区域滑坡预测方法。通过解耦特征提取与自适应特征调制，还原地质环境对降雨响应的真实物理调节作用，从而提高极端降雨条件下区域滑坡预测的稳定性和可靠性。

2、本发明的一种基于静态动态异构特征学习的区域滑坡预测方法，包括以下步骤：

3、步骤1：多源异构数据构建：获取目标区域静态地质环境因子与动态降雨时间序列数据并预处理。

4、针对目标预测区域进行网格化划分；提取目标区域各个网格节点的静态空间环境因子作为静态输入；同时，获取对应网格节点在预测目标时间前t个时间步长的连续动态降雨时间序列数据，作为动态输入。

5、步骤2：静态环境独立编码。

6、构建专用的静态特征编码器，对步骤1中获取的静态空间环境因子进行线性变换，将其映射为用于后续特征调制的缩放系数γ和偏移系数β；具体计算公式为：

7、 ；

8、 ；

9、式中，、分别为静态特征编码器中用于生成缩放系数与偏移系数的可学习权重矩阵；、分别为静态特征编码器中用于生成缩放系数与偏移系数的可学习偏置向量。

10、步骤3：动态降雨独立编码。

11、构建专用的动态序列编码器，将步骤1中获取的长度为t的动态降雨时间序列输入至堆叠的双层长短期记忆网络lstm中；第一层lstm提取短期高频的降雨强度波动特征，第二层lstm提取长期的降水累积趋势特征；随后引入时间注意力机制，计算每个时间步的隐藏状态的注意力得分和归一化权重：

12、 ；

13、 ；

14、对隐藏状态进行加权求和，生成高维的动态降雨特征向量f：

15、 ；

16、式中，t为动态降雨时间序列的时间步长总数；t与i均为时间步索引，；为双层lstm网络在第t个时间步输出的隐藏状态向量；为时间注意力机制中可学习的权重矩阵；为时间注意力机制中可学习的偏置项；为双曲正切激活函数；为第t个时间步的未归一化注意力得分；为以自然常数为底的指数函数；为第t个时间步的归一化注意力权重；f为最终生成的高维动态降雨特征向量。

17、步骤4：特征线性调制：基于静态地质表征生成缩放与平移系数，对动态降雨表征进行特征逐位线性调制。

18、利用步骤 2中生成的静态缩放系数γ和偏移系数β，对步骤3中生成的动态降雨特征向量f进行特征级线性调制；通过元素级乘法和加法+操作，使得静态空间背景能够自适应地缩放和偏移动态时间特征，生成调制特征：

19、 ；

20、步骤5：wide and deep特征融合：将调制后的时空交互特征与未经提取的原始静态特征拼接，构建混合表征矢量。

21、采用wide and deep融合架构，将步骤4输出的调制特征作为deep路径与步骤1中原始的静态空间环境因子及动态降雨时间序列作为wide路径进行通道级拼接；通过保留未经非线性平滑的原始输入通道，构建包含原始极值信号与深度调制交互信息的综合特征空间。

22、步骤6：滑坡概率分类预测。

23、将步骤5融合后的高维综合特征向量输入至机器学习分类器，利用分类器拟合多维特征空间的非线性决策边界，最终输出该网格节点发生降雨诱发滑坡的概率预测值。

24、进一步的，静态输入包括但不限于高程、坡度、坡向、曲率、地形湿度指数、地形崎岖度指数、岩性、土壤厚度及距断层/河流/道路距离。

25、进一步的，还包括步骤7：引入shap算法计算变量边际贡献度，生成响应面并进行可解释性分析。

26、本发明和现有技术相比的有益技术效果为：

27、（1）完整保留静态特征分布：通过设立独立的静态环境编码路径，有效维持了地形、地质等空间背景数据作为滑坡易发性基线的原始数值分布特性，避免了在早期特征拼接中被动态特征稀释。

28、（2）精准保留动态序列特征：利用双层lstm与时间注意力机制独立处理降雨时间序列，确保了模型对短时极值降水峰值信号的敏锐捕捉，防止了关键触发信息的过度平滑。

29、（3）有效减少异构信息干扰：利用特征级线性调制（film）取代传统的直接数据拼接，模拟了“静态地质环境对动态水文过程的调节作用”，使得静态数据能够自适应地控制动态特征的表达，从根本上消除了时空异构数据的直接数值冲突与干扰。

30、（4）显著提高预测稳定性：得益于模块化的循环神经网络记忆机制及wide anddeep架构，模型在降雨结束后的“灾害衰退滞后期”依然能够依靠历史隐藏状态平滑衰减，提供稳定的危险性估计输出，防止了预警信号随降雨骤停而过早失效。

31、（5）架构解耦，方便灵活扩展：本发明的特征提取模块与预测头完全解耦，具备高度的模块化优势。在实际业务应用中，可极其方便地扩展并接入雷达降水反演、土壤水分监测、地表径流指数等更多维度的连续环境观测数据，具备优异的工程可扩展性。