库岸滑坡高时频时序形变估计方法技术

本公开实施例中提供了一种库岸滑坡高时频时序形变估计方法，属于测量技术领域，具体包括：利用多时相InSAR技术获取库岸滑坡的斜距向低时频时序形变测量值；组合日降雨量、库水位高度和InSAR低时频时序形变量及其各自的时间信息生成预测数据集：根据高时频水文观测与InSAR低时频时序形变值的时间不同频特征建立深度学习网络，将预测数据集划分为训练数据集和测试数据集，并将训练数据集训练嵌入滞后特征提取模块的深度学习网络，得到预测模型；经过均方根误差、平均绝对误差、平均绝对误差百分比和皮尔逊相关系数四个评价指标评估形变预测精度并调整模型最佳响应参数。通过本公开的方案，实现了高时频下的高精度预测。实现了高时频下的高精度预测。实现了高时频下的高精度预测。

【技术实现步骤摘要】
库岸滑坡高时频时序形变估计方法


[0001]本公开实施例涉及测量
，尤其涉及一种库岸滑坡高时频时序形变估计方法。

技术介绍

[0002]库岸边坡岩土体在水体升降的情况下发生蠕变，具有突发性和破坏性特征的库岸滑坡可以在短短几十秒内高速滑入水库而激起巨大的涌浪，对人民的生命财产安全造成巨大威胁，监测历史地表形变的演化可用于预测滑坡是否有提前失稳的风险。全球导航卫星系统(Global Navigation Satellite System,简称GNSS)是一种实时监测滑坡易发地区形变的技术。然而位于滑坡变形区域的GNSS监测站易受破坏，且可用的GNSS观测数据在空间上分布稀疏，无法获取滑坡的全局变形信息。与GNSS不同的是，InSAR技术(Interferometric Synthetic Aperture Radar,简称InSAR)可以获得高空间分辨率的滑坡形变场。但受限于SAR卫星的重访周期，该技术无法获取形变区域的日常发展状况。
[0003]近几十年来，滑坡变形预测方法可分为模型驱动预测和数据驱动预测两大类。有效的模型驱动预测方法通过构建形变与水文观测之间的定量关系模型(如卡尔曼滤波)来估计形变的最佳状态。但也有文章指出长期降雨的累积效应可以激发滑坡的运动，这表明水文变量行为与滑坡行为并不是一一映射关系，它们之间不仅存在非线性映射关系，而且存在时间滞后。对克里尼滑坡的研究表明，滑坡位移与最大降雨量之间的滞后时间为13.5天，而俄勒冈州西南部的滑坡运动在雨季表现为27
‑
49天的滞后时间，这说明在预测每个滑坡研究对象之前必须确定时滞因子，但每个监测点的时滞因子可能不同，因此时滞因子的自动化选取是必要的。数据驱动的预测得益于有效的单变量形变预测方法，可以直接从历史形变序列(如长短期记忆网络(LSTM)和支持向量机方法等)中预测未来的形变，但这些预测模型只能获得与输入历史形变数据频率一致的预测结果。然而目前SAR数据的重访周期大约在11～24天之间，这个时间分辨率的形变场丢失了时间细节。
[0004]可见，亟需一种高精度、高时频的库岸滑坡高时频时序形变估计方法。

技术实现思路

[0005]有鉴于此，本公开实施例提供一种库岸滑坡高时频时序形变估计方法，至少部分解决现有技术中存在预测精准度较差的问题。
[0006]本公开实施例提供了一种库岸滑坡高时频时序形变估计方法，包括：
[0007]步骤1，利用多时相InSAR技术获取库岸滑坡的斜距向低时频时序形变测量值，并对其进行地理编码；
[0008]步骤2，组合日降雨量、库水位高度和InSAR低时频时序形变量及其各自的时间信息生成预测数据集：
[0009]步骤3，根据高时频水文观测与InSAR低时频时序形变值的时间不同频特征建立深度学习网络，将预测数据集划分为训练数据集和测试数据集，并将训练数据集训练嵌入滞
后特征提取模块的深度学习网络，得到预测模型，其中，所述特征提取模块包括深度学习网络LSTM和时序形变/水文调制因子构成；
[0010]步骤4，将测试数据集输入预测模型，经过均方根误差、平均绝对误差、平均绝对误差百分比和皮尔逊相关系数四个评价指标评估形变预测精度并调整模型最佳响应参数。
[0011]根据本公开实施例的一种具体实现方式，所述利用多时相InSAR技术获取库岸滑坡的斜距向低时频时序形变测量值的步骤，包括：
[0012]对获取的SAR影像经过影像配准、主副影像干涉、相位滤波、相位解缠、去除大气相位以及多时相InSAR形变参数估计的流程获取库岸滑坡的时序形变。
[0013]根据本公开实施例的一种具体实现方式，所述步骤2具体包括：
[0014]从形变测量值中抽取多个干涉数据相干性大于预设值的特征点进行滑坡形变场高时频估计，为每个特征点构造预测数据集。
[0015]根据本公开实施例的一种具体实现方式，所述预测数据集包括InSAR时序数据及其时间信息、降雨时序数据及其时间信息，以及，库水位时序数据及其时间信息。
[0016]根据本公开实施例的一种具体实现方式，所述步骤3具体包括：
[0017]提取预测数据集的时序特征；
[0018]根据预设的时滞系数区间提取预测数据集的形变时滞特征、降雨时滞特征和水位时滞特征；
[0019]估计形变时滞特征、降雨时滞特征与待更新状态之间的非线性关联并据此计算权重和偏置，并通过计算状态真值和状态计算值之间的损失值迭代更新各自特征的影响权重，获得对于每个特征点位最佳的形变特征、降雨时滞特征与待更新状态之间的非线性关系，形成预测模型。
[0020]本公开实施例中的库岸滑坡高时频时序形变估计方案，包括：步骤1，利用多时相InSAR技术获取库岸滑坡的斜距向低时频时序形变测量值，并对其进行地理编码；步骤2，组合日降雨量、库水位高度和InSAR低时频时序形变量及其各自的时间信息生成预测数据集：步骤3，根据高时频水文观测与InSAR低时频时序形变值的时间不同频特征建立深度学习网络，将预测数据集划分为训练数据集和测试数据集，并将训练数据集训练嵌入滞后特征提取模块的深度学习网络，得到预测模型，其中，所述特征提取模块包括深度学习网络LSTM和时序形变/水文调制因子构成；步骤4，将测试数据集输入预测模型，经过均方根误差、平均绝对误差、平均绝对误差百分比和皮尔逊相关系数四个评价指标评估形变预测精度并调整模型最佳响应参数。
[0021]本公开实施例的有益效果为：通过本公开的方案，在简单深度学习模型支持下，融合InSAR形变和水文观测数据进行滑坡高时频时序形变估计，而且考虑了降水或库水位在库岸滑坡形变中带来的滞后效应，实现了高时频下的高精度预测。
附图说明
[0022]为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0023]图1为本公开实施例提供的一种库岸滑坡高时频时序形变估计方法的流程示意
图；
[0024]图2为本公开实施例提供的一种库岸滑坡高时频时序形变估计方法的具体实施流程示意图；
[0025]图3为本公开实施例提供的一种网络架构示意图；
[0026]图4为本公开实施例提供的一种模拟InSAR时序形变/日库水位高度/日降雨量数据示意图；
[0027]图5为本公开实施例提供的模拟不同SAR卫星周期滑坡形变场高时频估计效果图；
[0028]图6为本公开实施例提供的滑坡形变场高时频估计精度与SAR卫星访问周期关系图。
具体实施方式
[0029]下面结合附图对本公开实施例进行详细描述。
[0030]以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种库岸滑坡高时频时序形变估计方法，其特征在于，包括：步骤1，利用多时相InSAR技术获取库岸滑坡的斜距向低时频时序形变测量值，并对其进行地理编码；步骤2，组合日降雨量、库水位高度和InSAR低时频时序形变量及其各自的时间信息生成预测数据集：步骤3，根据高时频水文观测与InSAR低时频时序形变值的时间不同频特征建立深度学习网络，将预测数据集划分为训练数据集和测试数据集，并将训练数据集训练嵌入滞后特征提取模块的深度学习网络，得到预测模型，其中，所述特征提取模块包括深度学习网络LSTM和时序形变/水文调制因子构成；步骤4，将测试数据集输入预测模型，经过均方根误差、平均绝对误差、平均绝对误差百分比和皮尔逊相关系数四个评价指标评估形变预测精度并调整模型最佳响应参数。2.根据权利要求1所述的方法，其特征在于,所述利用多时相InSAR技术获取库岸滑坡的斜距向低时频时序形变测量值的步骤，包括：对获取的SAR影像经过影像配准、主副影像干涉、相位...

【专利技术属性】
技术研发人员：胡俊，郭澳庆，孙倩，桂容，
申请(专利权)人：中南大学，
类型：发明
国别省市：