公司葛琦老师以第一作者在Engineering Geology（中科院一区Top，IF=7.4）和Journal of Rock Mechanics and Geotechnical Engineering（中科院一区，IF=7.3）上发表两篇滑坡位移预测相关的研究论文。两篇论文分别基于可解释人工智能（Explainable Artificial Intelligence，XAI）时序预测模型和生成式人工智能（Generative Artificial Intelligence，GenAI）数据增强模型，从预测算法和底层数据的不同层面，提出了滑坡位移预测的新方法。
在Engineering Geology期刊上发表的题为“LiteTransNet: An interpretable approach for landslide displacement prediction using transformer model with attention mechanism”的研究论文，（论文链接：https://doi.org/10.1016/j.enggeo.2024.107446）提出了一种为滑坡位移预测而设计的轻量级Transformer网络——LiteTransNet。研究发现，相较于以固定的时间窗口向后滑移的滚动记忆方式（如LSTM或GRU的传统处理方式），LiteTransNet注意力权值更大的时间节点与外部环境的特定时期相一致；在这些时期，外部因素的强烈变化造成了对滑坡系统的剧烈扰动，由此对滑坡变形预测产生的影响在一定时间内始终占据主要地位，直到其影响逐渐消散或被下一次剧烈扰动所取代。
图1 LiteTransNet和局部注意力机制的网络结构
在Journal of Rock Mechanics and Geotechnical Engineering期刊上发表的题为“Data-augmented landslide displacement prediction using generative adversarial network”的研究论文，（论文链接：https://doi.org/10.1016/j.jrmge.2024.01.003）提出了一种名为RGAN-LS的生成式对抗网络，通过增强有限的现场监测数据，提升了滑坡位移预测机器学习模型的性能。研究表明，RGAN-LS可以生成高度仿真的滑坡多元数据，该生成方法在增强下游应用的动态预测模型（如LSTM滑坡位移预测模型）方面非常有效，但对于静态预测模型（如PSO-SVM）的提升较为有限；同时，存在最佳的生成与真实数据比率（文中案例约为50％）可以最大限度地提升模型的预测性能。
图2 RGAN-LS的网络结构
供稿：葛琦；供图：葛琦；初审：李强；终审：柳任飞；编辑：许历隆
