额尔齐斯河流域受地理条件的影响，流域内水文气象站点较少，基础资料匮乏，而融雪洪水在该流域的汛期及水资源管理上有着较大影响。本研究通过应用降水和气温的再分析产品及AVHRR积雪数据，利用K-means聚类法进行不同径流时期特点的划分，并在不同时期构建相应SRM+LSTM模型，并使用2009年数据及2023年实地观测的径流数据进行验证。结果表明：再分析产品CMFD能够较好地应用于额尔齐斯河流域，并能根据降水、温度、积雪及径流间的关系得到不同径流划分时期，即12月11日—次年4月10日为积雪退水期、4月11日—8月10日为融雪降水产流期、8月11日为降水产流期。SRM模型模拟效果较差，大部分径流纳什效率系数（NSE）<0；而SRM+LSTM模型能够较好地模拟该流域的不同时期的径流，决定系数R2均能达到0.5以上，纳什效率系数也能达到0.5以上，证明SRM+LSTM模型能够较好地应用于该地区，精度较高。

额尔齐斯河流域受地理条件的影响，流域内水文气象站点较少，基础资料匮乏，而融雪洪水在该流域的汛期及水资源管理上有着较大影响。本研究通过应用降水和气温的再分析产品及AVHRR积雪数据，利用K-means聚类法进行不同径流时期特点的划分，并在不同时期构建相应SRM+LSTM模型，并使用2009年数据及2023年实地观测的径流数据进行验证。结果表明：再分析产品CMFD能够较好地应用于额尔齐斯河流域，并能根据降水、温度、积雪及径流间的关系得到不同径流划分时期，即12月11日—次年4月10日为积雪退水期、4月11日—8月10日为融雪降水产流期、8月11日为降水产流期。SRM模型模拟效果较差，大部分径流纳什效率系数（NSE）<0；而SRM+LSTM模型能够较好地模拟该流域的不同时期的径流，决定系数R2均能达到0.5以上，纳什效率系数也能达到0.5以上，证明SRM+LSTM模型能够较好地应用于该地区，精度较高。

针对传统形变监测及预测难以做到大范围监测和精准预测的问题，本文提出了联合PS-InSAR技术和多变量长短期记忆（M-LSTM）神经网络监测和预测高铁路基冻胀形变的方法。首先，该方法利用PS-InSAR技术获取路基冻胀空间分布特征；然后，使用皮尔逊相关系数法优化出3种冻胀诱发因素，所得数据经预处理后组成训练数据；最后，引入LSTM构建智能化、多变量冻胀预测模型，精确地预测路基冻胀形变趋势。研究结果表明，PS-InSAR技术在大范围形变监测中具有可靠性，M-LSTM模型预测精度比传统神经网络模型更高，平均判定系数（R2）、平均绝对误差（MAE）和平均均方根误差（RMSE）分别为0.973、0.024 mm和0.035 mm,说明M-LSTM模型在高铁路基冻胀形变预测中具有较好的应用价值，同时也为路基冻胀形变预测提供了新思路。

针对传统形变监测及预测难以做到大范围监测和精准预测的问题，本文提出了联合PS-InSAR技术和多变量长短期记忆（M-LSTM）神经网络监测和预测高铁路基冻胀形变的方法。首先，该方法利用PS-InSAR技术获取路基冻胀空间分布特征；然后，使用皮尔逊相关系数法优化出3种冻胀诱发因素，所得数据经预处理后组成训练数据；最后，引入LSTM构建智能化、多变量冻胀预测模型，精确地预测路基冻胀形变趋势。研究结果表明，PS-InSAR技术在大范围形变监测中具有可靠性，M-LSTM模型预测精度比传统神经网络模型更高，平均判定系数（R2）、平均绝对误差（MAE）和平均均方根误差（RMSE）分别为0.973、0.024 mm和0.035 mm,说明M-LSTM模型在高铁路基冻胀形变预测中具有较好的应用价值，同时也为路基冻胀形变预测提供了新思路。