时序InSAR和LSTM结合的滑坡形变时空分析与预测方法

作     者：林娜 谭力兵 张迪 丁凯 李双桃 肖茂池 张精平 王小华 LIN Na;TAN Libing;ZHANG Di;DING Kai;LI Shuangtao;XIAO Maochi;ZHANG Jingping;WANG Xiaohua

作者机构：重庆交通大学智慧城市学院重庆400074 北京市勘察设计研究院有限公司北京100038 重庆市地理信息与遥感应用中心重庆401120 航天宏图信息技术股份有限公司北京100089 

基　　金：重庆市自然科学基金面上项目(CSTB2023NSCQ-MSX0781) 教育部产学合作协同育人项目(220702313111054) 重庆交通大学研究生课程思政示范项目(KCSZ2023033) 重庆交通大学研究生科研创新项目(CYS240529) 重庆市研究生导师团队建设项目(JDDSTD2022002) 

出 版 物：《地球信息科学学报》 (Journal of Geo-information Science)

年 卷 期：2024年第26卷第12期

页      码：2772-2787页

摘      要：我国是受地质灾害影响最大的国家之一,研究高精度、高可靠性的滑坡形变监测与预测方法对于防灾减灾工作具有切实意义。以三峡库区藕塘特大滑坡为例,针对时序InSAR技术滑坡形变提取过程中面临大气干涉效应问题,在时序InSAR滑坡形变提取中引入GACOS进行大气校正,并通过GNSS观测数据进行验证对比;针对滑坡形变预测前较少考虑时空分析的问题,计算莫兰指数、Hurst指数分析滑坡形变时空特征;针对滑坡形变不仅受历史形变影响,还与多种影响因子密切相关的问题。本文提出将滑坡影响因子与形变量耦合用于滑坡形变预测,并采用结合变分模态分解(Variational Mode Decomposition,VMD)和麻雀搜索算法(Sparrow Search Algorithm,SSA)优化的长短期记忆网络(Long Short-Term Memory,LSTM)模型进行预测。通过VMD分解滑坡位移数据为趋势项、周期项和随机项,构建LSTM网络结构并使用SSA寻找LSTM模型最优的隐藏单元数目、最大训练周期和初始学习率,同时通过数据归一化、正则化和模型评估等方法提升LSTM模型的性能和稳定性,最后利用影响因子与分解后的位移数据训练LSTM模型并完成预测,得到滑坡形变的预测结果。结果表明:(1)2021年1月—2023年6月藕塘滑坡形变最高与最低速率分别为-72.75 mm/a、50.74 mm/a;(2)研究区形变具有正向空间自相关性、沉降区域滑坡形变具有持续趋势;(3)结合VMD和SSA优化的LSTM模型滑坡形变预测误差仅为0.37 mm,较LSTM的精度提升了11.004%。本文基于时序InSAR技术,结合时空分析结果,构建了一种耦合多个影响因子与滑坡形变的高精度预测模型,为滑坡灾害的防治提供了重要的参考依据。

主 题 词：形变监测 时空特征分析 时序InSAR 高精度预测 GACOS 藕塘滑坡 

学科分类：083002[083002] 0830[工学-生物工程类] 081802[081802] 081803[081803] 08[工学] 0818[工学-交通运输类] 081602[081602] 0816[工学-纺织类] 

核心收录：

D　O　I：10.12082/dqxxkx.2024.240409

馆 藏 号：203155655...