近日，环资院、碳中和学院徐文兵教授领衔的智能测绘团队在国际顶尖期刊《Engineering Applications of Artificial Intelligence》（中科院1区Top，IF=8.0）在线发表题为“A spatiotemporal settlement estimation framework integrating augmented clustering and state-space modeling during subway deep foundation excavation”的研究论文。浙江农林大学为该论文第一单位和通讯作者单位。该团队2023级硕士研究生王辰辉为第一作者，环资院、碳中和学院尹潇老师为该论文的通讯作者，徐文兵教授参与了这项研究。
针对地铁深基坑施工监测中普遍存在的空间异质性强、变形分区复杂、监测点关联机理不清等问题，团队首先围绕监测点空间分析构建了基于AttnGCN的时空聚类方法。该方法综合引入监测点地理位置关系与沉降时间序列形态特征，通过多头注意力机制实现空间邻近性与时间相似性的自适应耦合，并借助图卷积网络强化局部结构依赖表达，从而突破了传统单一距离度量难以揭示复杂变形关联的局限。研究结果表明，该方法能够有效识别深基坑施工扰动下具有一致变形特征的监测点群体，实现对区域沉降演化差异的精细刻画，为监测点筛选、空间分区认知及后续预测建模提供了可靠的结构先验。
在此基础上，团队进一步提出ST-Mamba变形预测模型，构建了空间分区引导的多监测点协同预测框架。该模型充分利用同簇监测点之间的内在联系，由iTransformer挖掘多监测点间的交互依赖特征，再由Mamba对长时序、非平稳、强扰动条件下的沉降演化过程进行高效建模，从而实现对复杂施工环境下地表沉降趋势与局部波动的精准预测。实验结果表明，该模型在关键拐点识别、短期波动拟合及整体趋势追踪等方面均表现出较高精度，综合性能显著优于Mamba、Transformer、BiLSTM和GRU等基线模型，平均MSE、RMSE、MAE分别为0.053、0.223和0.180，决定系数R²达到0.935，展现出较强的泛化能力与工程应用潜力。这是浙江农林大学智能测绘团队利用深度学习应用于传统测绘变形监测的有益尝试，对于提升地铁深基坑施工安全风险预警能力、推动智能测绘技术在岩土工程中的深度应用具有重要意义。
该论文得到浙江省自然科学基金项目、以及浙江农林大学人才启动项目的资助。
（环资院、碳中和学院 王辰辉、尹潇）
