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

论文题目：融合监测数据和滑坡变形机制的滑坡位移预测 数据在研究中的作用：需要该数据作为滑坡预测的源域数据进行迁移学习 论文类型：应用研究

研究拟选取三峡库区典型库岸滑坡研究区，申请GNSS地表位移监测数据及配套的降雨、库水位等辅助数据，用于开展库岸滑坡变形时序特征分析、位移对水雨 因素的响应关系研究以及变形预测模型构建等工作。 论文类型：硕士论文 论文题目：三峡库区库岸地质灾害 GNSS 自动化监测数据质量与变形特征分析 摘要：三峡库区自2003年蓄水以来，库区大量滑坡监测累积位移曲线呈阶跃型，此类滑坡在外界影响因素下集中在某一时间段内变形量大，其机理复杂、稳定性判断和预警难度大。全球导航卫星系统（GNSS）自动化监测技术因具备高精度、全天候、实时连续等优势，已被广泛应用于库岸滑坡地表变形监测中。然而，三峡库区多峡谷地貌导致GNSS信号易受干扰，监测数据质量直接影响后续变形分析和预警工作的可靠性。因此，系统开展GNSS自动化监测数据质量评价与滑坡变形特征分析，对于提升库岸地质灾害监测预警能力具有重要意义。 本研究选取三峡库区树坪滑坡、白水河滑坡、白家包滑坡、谭家湾滑坡和藕塘滑坡等5个典型库岸滑坡为研究区，申请GNSS地表位移监测数据及配套的降雨、库水位等辅助数据。研究内容主要包括：（1）基于TEQC等工具对GNSS监测数据进行质量评估，从数据完整性、多路径效应、信噪比等维度系统评价监测数据质量；（2）基于GNSS位移时间序列数据，分析各滑坡体地表变形的时空演化特征与阶跃型变形规律；（3）定量分析滑坡位移对降雨及库水位变动的响应关系，探究位移速率对诱发因素的滞后效应；（4）基于改进切线角法及全自动监测数据定量化分析，获取滑坡等速变形速率和变形阶跃点，建立相应的预警模型。预期形成规范化分析数据表、典型过程线和相关性分析图，揭示不同地质类型库岸滑坡的变形机理及其对水雨因素的响应规律，构建基于GNSS位移数据的滑坡预警指标体系。研究成果将为三峡库区库岸地质灾害GNSS自动化监测数据质量评价与变形特征分析提供科学依据，并为库区滑坡灾害的早期预警与防灾减灾决策提供技术支撑。

融合神经常微分方程与对比模式迁移的阶梯先验滑坡位移预测方法 滑坡预测类型（硕士论文）

论文：基于 InSAR 历史形变模态先验图的滑坡 GNSS 监测网络缺测重构方法 摘要：针对滑坡工程监测中 GNSS 监测点易受设备故障、通信中断和环境遮挡影响而出现数据缺测的问题，本文提出一种基于 InSAR 历史形变模态先验图的滑坡 GNSS 监测网络缺测重构方法。该方法首先利用历史 InSAR 时序形变场提取坡体长期缓慢变形特征，通过 EOF 分解或聚类识别滑坡内部不同运动模态分区；随后依据监测点所属模态、空间位置、坡向关系和高程差构建具有物理约束的 GNSS 先验关联图，以避免纯数据驱动相关性缺乏地质解释的问题；最后结合图结构约束下的时序重构模型，对单点或多点 GNSS 缺测序列进行掩码恢复。该方法将 InSAR 的面状历史观测能力与 GNSS 的高精度点位监测优势相结合，可在部分监测节点失效时保持对滑坡整体变形状态的连续感知，并为滑坡监测网络可靠性提升和预警信息补全提供新的技术路径。 类型：硕士论文

本人拟开展滑坡形变预测与时空演化分析研究，计划以长江三峡库区秭归县白水河滑坡为典型案例，利用多年连续 GPS 位移、降雨及库水位监测资料，构建滑坡位移预测数据集，分析降雨和库水位变化对滑坡变形的影响，并开展基于深度学习的滑坡位移预测模型研究，因此申请 2016—2025 年连续监测数据。本研究仅用于硕士学位论文和学术研究，不用于商业用途，并将严格遵守数据使用规定、规范引用数据来源。 在数据检索过程中，本人发现平台中 2020—2025 年相关数据集页面暂时无法正常打开访问，导致难以提交完整数据申请。为保证研究所需时间序列的连续性，恳请审批老师协助提供或授权获取 2020—2025 年白水河滑坡变形、降雨及库水位监测资料。如部分年份数据暂未开放，也希望能获得可申请年份的连续数据，以支撑后续学术研究。

本人杜凯洋，系成都大学建筑与土木工程学院土木工程专业2025级硕士研究生。研究方向为基于深度学习的浅层滑坡变形特征预测。 浅层滑坡是我国西部地区常见的地质灾害类型，具有分布广、突发性强、致灾后果严重的特点。近年来，深度学习技术在时序预测领域取得显著进展，为滑坡位移预测提供了新的技术路径。然而，深度学习模型的训练与验证高度依赖于高质量、长序列的滑坡变形监测数据，而此类数据获取难度大，是制约该研究方向发展的主要瓶颈。国家冰川冻土沙漠科学数据中心作为国家首批认定的科学数据中心之一，长期致力于冰川、冻土、沙漠及寒旱区灾害数据的资源建设与共享服务，已在三峡库区、舟曲等地滑坡灾害研究中积累了丰富的数据资源，为中心开展灾害数据分析与防灾减灾研究提供了重要支撑。 本人正在开展题为《基于深度学习的浅层滑坡变形特征预测研究》的硕士学位论文工作。研究拟构建浅层滑坡位移预测模型，通过挖掘历史变形监测数据中的时序演化规律，实现对滑坡变形趋势的提前预测与预警。现向贵中心申请获取相关数据。

项目：顾及尺度特征的空间场景跨模态生成式地图制图方法研究 类型：国家自然科学基金项目 负责人：陈占龙 用途：用于创建项目训练大模型的数据集，研究模型的性能

用于论文模型的泛化性验证，需要外部相似数据集的验证，会在文中引用此文章

论文题目：融合物理机理与时空图神经网络的边坡智能预警模型研究 数据在研究中的作用：开展基于可解释性人工智能的滑坡灾害位移预测研究，需利用 2007-2012 年及 2016-2018 年的累计位移、降雨量及库水位高精度连续时序数据，进行联合驱动模型的交叉训练与盲测验证 论文类型：硕士学位论文 导师姓名：富海鹰