题目：基于物质点法的降雨边坡大变形模拟。摘要还未写完，目标是通过分析白水河滑坡受降雨、水位等的影响，通过物质点法模拟整个边坡的大变形过程，和真实监测数据对比，验证提出方法的准确性。类型：博士毕业论文。衷心感谢黄海峰老师 , 卢书强老师, 易武老师的辛勤监测，该数据用于学生进行科研分析，用于毕业论文中，希望能够得到各位老师的批准，特此申请，如果通过，十分感激各位老师的付出！谢谢各位老师。

数据用于构建长时序数据集，训练识别水文变量、滑坡稳定性以及滑坡运动预测相关数学模型，仅供学习参考，若有发表学术性论文或用于学位论文则按照规范引用，望通过申请

本人为地质灾害与InSAR遥感监测方向硕士研究生，现正在开展三峡库区库岸滑坡长时序变形及其水文响应机制研究，并用于硕士学位论文撰写。研究拟结合Sentinel-1等InSAR长时序形变结果与降雨、三峡库水位等监测资料，分析滑坡变形与降雨及库水位波动之间的时序响应关系，为揭示库岸滑坡长期变形特征及水文驱动机制提供数据支撑。 因此申请获取相关降雨、库水位及滑坡监测数据。所申请数据仅用于本人硕士学位论文及相关学术研究，不用于任何商业用途。使用过程中将严格遵守数据平台相关规定，并在论文及成果中规范标注数据来源和致谢。

本申请有科研课题支持，课题信息如下： 项目类型：国家重点研发计划课题 课题名称：露天边坡与地下采空区时空耦合致灾机理及稳定性评价方法研究 课题编号：2024YFC3013901 所属项目：露天转地下开采典型灾害事故风险防控关键技术及示范 课题负责人：张利，教授，辽宁大学信息学部 本人拟在该课题支持下开展期刊论文以及硕士学位论文研究。 论文主题：基于GNSS/GPS监测时间序列的滑坡多监测点位移时空预测研究 数据用途说明： 拟申请典型滑坡GNSS/GPS地表位移监测数据，以及同期降雨量、库水位/长江水位等辅助监测数据。GNSS/GPS位移数据将作为论文中的主要预测对象和模型训练、验证、测试数据，用于分析滑坡不同监测点之间的空间关联关系及位移时序演化规律；降雨量和库水位数据将作为外部诱发因素，用于分析外部环境变化对滑坡位移演化的影响，并作为模型输入变量辅助提升预测精度。 本研究拟构建深度学习滑坡位移预测模型，并与传统时间序列模型、机器学习模型进行对比实验，验证多监测点时空建模方法在滑坡位移预测中的有效性。相关数据将服务于课题中边坡滑移演化分析、稳定性评价及灾害风险防控方法研究，同时用于本人硕士学位论文研究，不用于商业用途，不向第三方传播或二次发布。后续论文、报告或成果中将按照平台要求规范引用数据来源并致谢。 申请人姓名：冷冰 导师姓名及职称：张利，教授，辽宁大学信息学部

为开展三峡库区库岸滑坡变形机理相关科研工作，2007‑2012 年秭归县白水河滑坡监测数据能够反映水位波动、降雨条件下滑坡位移演化规律；依托该实测资料可探究水库调度诱发滑坡阶段性变形的响应特征，完善涉水滑坡预警判别依据，充实库区地质灾害研究样本，因此申请获取该套监测数据用于项目研究。

用于硕士期间小论文期刊，目前正在做实验，关于多模态融合+物理信息网络的研究。

论文题目：基于降雨与孔压耦合效应的蠕变型滑坡形变机制与稳定性预测研究 论文摘要：本研究旨在探讨降雨入渗及孔隙水压力波动对典型蠕变滑坡（如 slow-moving 慢速滑坡）演化过程的调控机制。拟申请并利用该数据集中的降雨量、孔水压力及土壤湿度等监测时序，结合数值模拟对滑坡位移响应进行反演与验证。承诺本数据仅用于上述学术论文的撰写与科研分析，绝不用于商业用途或向第三方转让

准备发表期刊论文，论文主题是采用深度学习方法进行滑坡监测和预测，使用本数据进行模型训练，导师为武汉理工钱闯副教授。希望可以接受申请。

题目为：NG-RC_CSD_Landslide_Early_Warning 硕士用于期刊论文，利用NGRC+CSD+HMM来做长江三峡地区阶跃型滑坡（白水河、八字门、树坪）的预警分析

期刊论文，论文题目“基于数据增强的滑坡预测研究”，类型：研究型论文，暂定摘要：Displacement forecasting of rainfall-triggered landslides is challenging due to the complex interaction between long-term progressive creep and irregular, event-driven fluctuations associated with transient hydrological forcing. To address the difficulty of forecasting under limited-sample conditions, this study proposes a decomposition, prediction, and reconstruction framework, evaluated at three monitoring sites (G1–G3) on the Luojiaping landslide in China. After identifying a structural displacement jump, the post-break displacement increment is separated into trend and fluctuation components using LOWESS smoothing. The trend component is predicted via Holt-type exponential smoothing, while the fluctuation component is modeled using gradient-boosting learners driven by antecedent rainfall and recent fluctuation history. To support fluctuation learning under limited training samples, an Attention-TCN-TimeGAN data augmentation strategy is exclusively applied to the fluctuation-term data. The trend prediction results showed that the trend component was highly predictable, achieving R² values of 0.9639, approximately 1.0000, and 0.9989 at G1, G2, and G3, respectively. At the reconstructed cumulative-displacement level, XGBoost-based GAN augmentation reduced the Root Mean Square Error (RMSE) across all sites, decreasing from 2.627 to 2.384 at G1, from 4.498 to 4.172 at G2, and from 3.326 to 3.161 at G3. The results indicate that while final cumulative displacement prediction is primarily controlled by the trend component, GAN-augmented fluctuation prediction provides useful local correction. This framework may be useful for monitored rainfall-triggered landslides characterized by structural displacement changes and irregular short-term fluctuations. Keywords: rainfall-triggered landslide; displacement forecasting; LOWESS decomposition; fluctuation prediction; GAN-based data augmentation; gradient boosting