| 1 |
2026/05/27 00:19 |
杜*洋 |
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。
|
| 2 |
2026/05/14 21:03 |
梁*佳 |
滑坡位移时间序列预测方法研究，我国国土面积广大，地形复杂多样，各类地质灾害频发。滑坡灾害是我国地质灾害中发生频率最高、危害最大的类型之一，因此滑坡位移预测在灾害预防中是一种十分重要有效的方法。因为滑坡位移序列受多种因素的影响，通常是非平稳、非线性且由多尺度耦合，所以传统的单一预测模型在精准预测位移演化和预测精度上具有一定的困难。为了提升滑坡位移预测的准确性与可靠度，本文以滑坡位移时间序列预测为研究对象，系统梳理了滑坡位移的基本理论、方法体系以及发展脉络；基于深度学习理论和方法，提出基于“分解–预测–重构”的变权组合预测模型（Variable Weight Combination，VWC）。实验预测需要一组真实的滑坡位移监测数据集
|
| 3 |
2026/05/05 05:39 |
周* |
本申请依托省部级项目《TCN-Attention-BiLSTM 模型的岷江流域径流量时序预测研究》，拟申请的新滩、八字门滑坡变形监测数据，可用于分析库区径流量变化与滑坡变形的时序耦合关系，验证所构建模型在水文 - 地质灾害时序预测中的适用性，为岷江流域岸坡稳定性研究提供参考，数据仅用于本项目科研工作，将严格遵守数据使用规范。
|
| 4 |
2026/03/26 23:28 |
周* |
论文题目：基于深度学习的滑坡位移预测模型
数据在研究中的作用：目前用于模型训练阶段的课题学习，想要参考公开数据集进行验证，模型搭建和期刊论文题目的大体方向未定，若有论文引用时必按要求引用，谢谢!!
论文类型：期刊论文
导师姓名：王霄
|
| 5 |
2026/03/24 23:41 |
周*杰 |
本人最近在进行小论文的撰写，需要用到相关数据进行方法验证，不会将数据作为最终提交论文所用的数据源，望通过，谢谢！
|
| 6 |
2026/03/18 23:03 |
蔡* |
论文题目：基于EMD-GM-LSTM的滑坡位移预测
数据在研究中的作用：训练模型并并对模型对滑坡的预测的正确性进行验证
论文类型：本科毕业论文
导师姓名：高彩云副教授
尊敬的易先生：
您好！
我因撰写毕业论文的需要，需要用您的数据进行我滑坡预测模型的训练，并利用您的数据验证我的模型对于滑坡预测的准确度，希望您能批准。
谢谢！
|
| 7 |
2026/02/02 18:50 |
万*龙 |
论文题目：基于“北斗+多传感器”信息融合的露天矿边坡监测预测方法研究
数据在研究中的作用：优化实验
论文类型：硕士
导师姓名：赵兴旺
|
| 8 |
2025/11/29 04:25 |
胡*潇 |
用于课程论文写作，研究三峡库区滑坡趋势，完成论文写作。
|
| 9 |
2025/11/29 03:02 |
屈*锋 |
Paper title：Landslide displacement prediction based on the CEEMDAN method and Transformer model. Paper abstract：Landslides are a typical geological disaster and pose a great challenge to land use management. However, traditional landslide displacement models often neglect the impact of random displacements. To address this issue, this paper proposes a deep learning model based on the Transformer architecture. The model innovatively applies the CEEMDAN method to decompose landslide displacements and employs the GRA-MIC fusion correlation calculation method to identify the influencing factors of displacement. Finally, the Transformer model is used for prediction. By leveraging the self-attention mechanism, the constructed Transformer model comprehensively captures the long-term global dependencies of displacement sequences for landslide displacement prediction. Two new concepts for evaluating landslide states and landslide trends are introduced to further enhance the predictive performance of the model. Subsequently, we discuss the predictive performance of the Transformer model under four different input conditions and compare it with seven other predictive models (including CNN-BiLSTM). The experimental results demonstrate that the proposed model has strong applicability in landslide-prone areas, providing solid support for disaster prevention, mitigation, and land use management. Keywords: land use management; landslide displacement prediction; complete ensemble empirical mode decomposition with adaptive noise; transformer Paper type：研究型论文 Tutor 任青阳
|
| 10 |
2025/11/17 23:08 |
邓*政 |
论文题目：基于生成式AI的滑坡位移预测模型
数据在研究中的作用：典型滑坡案例数据集
论文类型：期刊论文
导师姓名：邓李政
|
本作品采用
CC BY 4.0 （知识共享 署名 4.0 国际许可协议）进行许可。
CSTR:11738.11.ncdc.Sanxia.2020.90
10.12072/ncdc.Sanxia.db0007.2020
