一种滑坡演化模态变化智能判识方法及系统技术方案

本发明专利技术提供一种滑坡演化模态变化智能判识方法及系统，包括步骤：获取滑坡地表的位移实测数据；通过位移实测数据和人工蜂群

【技术实现步骤摘要】
一种滑坡演化模态变化智能判识方法及系统


[0001]本专利技术涉及滑坡灾害预测预报领域，尤其涉及一种滑坡演化模态变化智能判识方法及系统。

技术介绍

[0002]滑坡灾害的发生对人类生命财产乃至整个社会经济系统造成了严重的威胁。判识滑坡演化模态是滑坡早期预警系统的重要组成部分，是地质灾害防灾减灾工作的主要任务。
[0003]准确的滑坡变形实测是判识滑坡演化模态的重要前提，常规的实测手段存在着部分缺陷：(1)GPS全球定位系统实测精度较高但成本昂贵；(2)传统的人工实测技术虽成本较低但实测精度不够。而时间序列InSAR技术实测精度高，范围大，费用低，可以为滑坡演化模态判识工作提供可靠的基础数据。
[0004]现有判识滑坡演化模态的技术手段，主要为基于专家经验设置判识阈值，判识滑坡演化模态是否发生改变，但该方法存在专家经验依赖度高，推广应用难度大等问题。

技术实现思路

[0005]为解决上述技术问题，本专利技术提供一种滑坡演化模态变化智能判识方法，包括步骤：
[0006]S1：通过时序InSAR技术获取滑坡地表的位移实测数据；
[0007]S2：通过位移实测数据和人工蜂群
‑
核极限学习机耦合模型，计算获得滑坡地表的位移预测数据；
[0008]S3：通过位移实测数据和位移预测数据，分别绘制滑坡实测位移
‑
时间曲线和滑坡预测位移
‑
时间曲线；
[0009]S4：对滑坡实测位移
‑
时间曲线和滑坡预测位移
‑
时间曲线进行切线夹角分析，判识滑坡的演化模态是否变化。
[0010]优选的，步骤S1具体为：
[0011]通过时序InSAR技术获取预设时间内滑坡地表位移的雷达影像数据，通过插值法补充雷达影像数据中的缺失数据，并按照时间等间距的将雷达影像数据划分为等频数据，获得滑坡地表的位移实测数据。
[0012]优选的，步骤S2具体为：
[0013]S21：获取位移实测数据的滑坡累积总位移数据，通过离散小波函数剔除滑坡累积总位移数据中的系统噪音，获得剔除噪音后的滑坡累积总位移数据；
[0014]S22：将剔除噪音后的滑坡累积总位移数据分解为趋势项位移数据和周期项位移数据；
[0015]S23：将分解后的趋势项位移数据和周期项位移数据分别进行归一化处理，获得归一后的趋势项位移数据和归一后的周期项位移数据；
[0016]S24：通过归一后的趋势项位移数据训练人工蜂群
‑
核极限学习机耦合模型，获得预测滑坡的趋势项位移数据；
[0017]S25：通过归一后的周期项位移数据训练人工蜂群
‑
核极限学习机耦合模型，获得预测滑坡的周期项位移数据；
[0018]S26：将预测滑坡的趋势项位移数据和预测滑坡的周期项位移数据相加，获得滑坡地表的位移预测数据。
[0019]优选的，步骤S3具体为：
[0020]S31：构建滑坡地表的位移与时间的关系图，关系图的横轴为离散的时刻t
i
，i为横轴上时刻的序号，关系图的纵轴为累积位移；
[0021]S32：将位移实测数据在各时刻的滑坡累积位移实测值在关系图中依次连接，获得滑坡实测位移
‑
时间曲线；
[0022]S33：将位移预测数据在各时刻的滑坡累积位移预测值在关系图中依次连接，获得滑坡预测位移
‑
时间曲线。
[0023]优选的，步骤S4具体为：
[0024]S41：求解t
i
时刻滑坡实测位移
‑
时间曲线和滑坡预测位移
‑
时间曲线切线间的夹角α
i
，其中，i为时刻的序号；
[0025]S42：当α
i
介于[
‑
10
°
,10
°
]时，表明t
i
时刻较之前时刻滑坡的演化模态没有发生改变；
[0026]当α
i
小于
‑
10
°
时，滑坡变形与其诱发因素之间的响应关系发生改变，表明t
i
时刻较之前时刻滑坡的演化模态发生了改变，变形表现出减缓的趋势；
[0027]当α
i
大于10
°
时，滑坡变形与其诱发因素之间的响应关系发生改变，表明t
i
时刻较之前时刻滑坡的演化模态发生了改变，变形表现出加速的趋势。
[0028]优选的，夹角α
i
的计算公式为：
[0029][0030]其中，y
i
为t
i
时刻的滑坡累积位移实测值，y
i+1
为t
i+1
时刻的滑坡累积位移实测值，z
i
为t
i
时刻的滑坡累积位移预测值，z
i+1
为t
i+1
时刻的滑坡累积位移预测值。
[0031]一种滑坡演化模态变化智能判识系统，包括步骤：
[0032]位移实测数据获取模块，用于通过时序InSAR技术获取滑坡地表的位移实测数据；
[0033]位移预测数据获取模块，用于通过位移实测数据和人工蜂群
‑
核极限学习机耦合模型，计算获得滑坡地表的位移预测数据；
[0034]曲线绘制模块，用于通过位移实测数据和位移预测数据，分别绘制滑坡实测位移
‑
时间曲线和滑坡预测位移
‑
时间曲线；
[0035]演化模态判断模块，用于对滑坡实测位移
‑
时间曲线和滑坡预测位移
‑
时间曲线进行切线夹角分析，判识滑坡的演化模态是否变化。
[0036]本专利技术具有以下有益效果：
[0037]1、利用时间序列InSAR技术获取精确的滑坡实测数据，结合机器学习模型的训练开展滑坡位移预测工作，通过将位移实测数据分解、训练、再融合可以提升数据的预测精度，使最终预测结果精度更高且模型性能更稳定，具备较强的通用性；
[0038]2、通过求解滑坡实测位移
‑
时间曲线和滑坡预测位移
‑
时间曲线之间切线的夹角，并基于切线夹角值位于的数据区间实现滑坡演化模态的数据量化判断，可以准确地判识滑坡演化模态是否改变，以便启动相应的预警措施。
附图说明
[0039]图1为本专利技术实施例方法流程图；
[0040]图2为树坪滑坡及木鱼包滑坡位移实测点的布置图；
[0041]图3为树坪滑坡及木鱼包滑坡的滑坡累积总位移数据分解图；
[0042]图4为两条滑坡实测位移
‑
时间曲线和滑坡预测位移
‑
时间曲线的切线夹角示意图；
[0043]图5为树坪滑坡及木鱼包滑坡的滑坡实测位移本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滑坡演化模态变化智能判识方法，其特征在于，包括步骤：S1：通过时序InSAR技术获取滑坡地表的位移实测数据；S2：通过位移实测数据和人工蜂群
‑
核极限学习机耦合模型，计算获得滑坡地表的位移预测数据；S3：通过位移实测数据和位移预测数据，分别绘制滑坡实测位移
‑
时间曲线和滑坡预测位移
‑
时间曲线；S4：对滑坡实测位移
‑
时间曲线和滑坡预测位移
‑
时间曲线进行切线夹角分析，判识滑坡的演化模态是否变化。2.根据权利要求1所述的滑坡演化模态变化智能判识方法，其特征在于，步骤S1具体为：通过时序InSAR技术获取预设时间内滑坡地表位移的雷达影像数据，通过插值法补充雷达影像数据中的缺失数据，并按照时间等间距的将雷达影像数据划分为等频数据，获得滑坡地表的位移实测数据。3.根据权利要求1所述的滑坡演化模态变化智能判识方法，其特征在于，步骤S2具体为：S21：获取位移实测数据的滑坡累积总位移数据，通过离散小波函数剔除滑坡累积总位移数据中的系统噪音，获得剔除噪音后的滑坡累积总位移数据；S22：将剔除噪音后的滑坡累积总位移数据分解为趋势项位移数据和周期项位移数据；S23：将分解后的趋势项位移数据和周期项位移数据分别进行归一化处理，获得归一后的趋势项位移数据和归一后的周期项位移数据；S24：通过归一后的趋势项位移数据训练人工蜂群
‑
核极限学习机耦合模型，获得预测滑坡的趋势项位移数据；S25：通过归一后的周期项位移数据训练人工蜂群
‑
核极限学习机耦合模型，获得预测滑坡的周期项位移数据；S26：将预测滑坡的趋势项位移数据和预测滑坡的周期项位移数据相加，获得滑坡地表的位移预测数据。4.根据权利要求1所述的滑坡演化模态变化智能判识方法，其特征在于，步骤S3具体为：S31：构建滑坡地表的位移与时间的关系图，关系图的横轴为离散的时刻t
i
，i为横轴上时刻的序号，关系图的纵轴为累积位移；S32：将位移实测数据在各时刻的滑坡累积位移实测值在关系图中依次连接，获得滑坡实测位移
‑
时间曲线；S33：将位移预测数据在各时刻的滑坡累积位移预测值在关系图中依次连接，获得滑坡预测位移
‑
时间曲线。5.根据权利要求1所述的滑坡演化模态变化智能判...

【专利技术属性】
技术研发人员：周超，陈玲，曹颖，王悦，汪洋，徐光黎，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：