来源：期刊VIP网 时间：
作者：汪松林;唐辉明;邹宗兴;
单位：中国地质大学(武汉)未来技术学院;中国地质大学(武汉)工程学院;中国地质大学(武汉)湖北巴东地质灾害国家野外科学观测研究站;
摘要：三峡库区水系纵横，峡谷幽深，广泛分布软弱易滑的三叠系和侏罗系红层，为我国地质灾害防治的重点区域。滑坡位移作为滑坡变形最直观的表征，其高精度预测对地质灾害风险防范具有重要意义。以三峡库区典型库岸滑坡——黄土坡临江Ⅰ号滑坡为应用实例，在特征提取、集成学习和参数优化方面改进模型，深入挖掘每日降雨、库水位和地表位移监测数据中的关键特征，同时结合自注意力机制动态赋权及并行运算的优势，用Transformer编码层堆叠门控循环单元（gated recurrent unit, GRU），并用粒子群优化（particle swarm optimization, PSO）算法寻找最优超参数组合，提出了一种基于特征增强的Transformer-GRU库岸滑坡位移预测模型。结果表明，相较于粒子群优化门控循环单元模型（particle swarm optimization-gated recurrent unit, PSO-GRU）、粒子群优化反向传播神经网络模型（particle swarm optimization-backpropagation neural network, PSO-BPNN）、粒子群优化支持向量回归模型（particle swarm optimization-support vector regression, PSO-SVR）这类传统位移预测模型，新模型的均方根误差（root mean square error, RMSE）降低了72.02%～75.53%，平均绝对误差（mean absolute error, MAE）降低了74.35%～78.86%，说明新模型在关键特征变量学习能力和位移预测精度上更具优势。该研究为滑坡位移预测研究提供了新思路。
关键词：库岸滑坡;;位移预测;;特征增强;;自注意力机制;;门控循环单元(GRU);;粒子群优化(PSO)
基金资助：国家自然科学基金重大项目（42090050）
