一种基于深度学习的滑坡灾害检测系统的制作方法

本发明涉及滑坡灾害检测，更具体的说是涉及一种基于深度学习的滑坡灾害检测系统。

背景技术：

1、目前滑坡灾害可以使用地震编目所使用的方法。地震编目工作中（即确定地震数量位置），通常使用的方法包括长短时窗对比法（sta/lta）、互相关算法等。这些算法由于拾取精度较低，通常在拾取结果中需要人工进行确认，以降低误拾取概率。而基于深度学习方法大多是应用于天然地震分析中，而针对于滑坡地震的模型以及处理流程则涉及较少。因此有必要专门针对滑坡事件检测设计深度学习监测系统，以对滑坡事件进行更加准确、快速、自动化的监测。

2、滑坡灾害监测可以使用传统的模板检测算法。但是互相关算法的问题是需要人工选择模板，在单一地区选择的模板未必适用于其他地区滑坡事件。另外由于模板检测算法需要模板数量较多，因此计算效率低，特别是在模板较多情况下，单日数据处理会耗费较长事件。最后便是模板检测误拾取较多，在拾取后需要人工进行确认，以减少误拾取事件数量。这些缺陷的存在使得模板检测方法存在速度慢、精度低的问题。

3、另外一些算法使用深度学习算法。但是深度学习算法需要海量的人工标注数据进行训练，在训练数据不足的情况下精度较低。因此传统的深度学习方法同样面临精度低，缺少专门针对滑坡事件设计的深度学习模型。同样是由于缺少专门用于滑坡事件的模型，导致少量现有的滑坡模型计算速度较慢，无法再低功耗设备上完成计算。

4、因此，如何提供一种基于深度学习的滑坡灾害检测系统，能够提高拾取精度，实现滑坡事件的自动化检测，是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于深度学习的滑坡灾害检测系统，提出了基于多地震台站的滑坡位置精确定位方法，提高了检测精确度；通过迁移训练提高滑坡信号拾取精度，实现滑坡事件的自动化检测。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于深度学习的滑坡灾害检测系统，包括滑坡信号检测模块、滑坡识别模块和滑坡精定位模块；

4、所述滑坡信号检测模块用于通过预先训练的滑坡信号拾取模型在单个台站数据中检测滑坡信号；

5、所述滑坡识别模块用于获取多个台站检测到的滑坡信号，通过过滤，滤除错误检测信号，并确定滑坡事件的真实滑坡信号；

6、所述滑坡精定位模块，用于根据所述真实滑坡信号对所述滑坡事件进行精确定位，得到精确位置。

7、进一步的，所述滑坡识别模块还用于区分滑坡事件，并确认每个滑坡信号与对应滑坡事件的隶属关系。

8、进一步的，所述滑坡信号拾取模型包括由多层卷积神经网络构成的编码器和解码器以及时序特征处理器；

9、所述编码器用于对获取天然地震波形进行特征提取，得到波形特征；

10、所述时序特征处理器用于对所述波形特征进行处理，得到时序特征；

11、所述解码器用于根据所述时序特征确定滑坡信号到时。

12、进一步的，所述时序特征处理器为循环神经网络或transformer模型。

13、进一步的，所述滑坡信号拾取模型的训练步骤包括：

14、获取天然地震历史数据对所述滑坡信号拾取模型进行预训练；

15、获取滑坡事件数据，对预训练后的所述滑坡信号拾取模型进行迁移训练，得到更新后的模型参数。

16、进一步的，在进行迁移训练时，基于所述预训练得到的模型参数，仅对其中的解码器参数进行训练。

17、进一步的，所述滑坡识别模块的识别过程具体包括：

18、根据预设的时间窗对多个滑坡信号进行筛选，得到各个时间窗下对应的滑坡信号数量，当所述滑坡信号数量超过预设值时，判断为一个疑似滑坡事件，并明确所述疑似滑坡事件与当前时间窗下所述滑坡信号的隶属关系，得到一个或多个疑似滑坡事件；

19、对于每个疑似滑坡事件，在滑坡面中选择疑似滑坡位置，并计算从疑似滑坡位置到每个台站的到时估测值与滑坡信号观测值之间的差值，当所述差值超过阈值时，将该滑坡信号过滤，最终得到真实滑坡信号。

20、进一步的，所述滑坡精定位模块根据所述真实滑坡信号计算损失值，并输出损失值最小时的最优解，确定滑坡精确位置。

21、进一步的，计算损失值，并输出损失值最小时的最优解，具体为：

22、

23、其中是观测到的滑坡信号数量，是当地平均速度，是残差，

24、 计算方式为：

25、

26、其中xs、ys、zs、分别滑坡事件的经纬度和深度，为滑坡事件到时，这四个参数是待求解量；xi、yi、zi、ti分别是第个台的经度、纬度、高度、和震相观测到时；调整xs、ys、zs、ts使得损失函数loss极小，输出此时确定滑坡的位置和时间。

27、本发明的有益效果：

28、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于深度学习的滑坡灾害检测系统，提出了基于多地震台站（震动台站）的滑坡位置精确定位方法，提高了检测精确度；通过迁移训练提高滑坡信号拾取精度，实现滑坡事件的自动化检测。

技术特征：

1.一种基于深度学习的滑坡灾害检测系统，其特征在于，包括滑坡信号检测模块、滑坡识别模块和滑坡精定位模块；

2.根据权利要求1所述的一种基于深度学习的滑坡灾害检测系统，其特征在于，所述滑坡识别模块还用于区分滑坡事件，并确认每个滑坡信号与对应滑坡事件的隶属关系。

3.根据权利要求1所述的一种基于深度学习的滑坡灾害检测系统，其特征在于，所述滑坡信号拾取模型包括由多层卷积神经网络构成的编码器和解码器以及时序特征处理器；

4.根据权利要求3所述的一种基于深度学习的滑坡灾害检测系统，其特征在于，所述时序特征处理器为循环神经网络或transformer模型。

5.根据权利要求3所述的一种基于深度学习的滑坡灾害检测系统，其特征在于，所述滑坡信号拾取模型的训练步骤包括：

6.根据权利要求5所述的一种基于深度学习的滑坡灾害检测系统，其特征在于，在进行迁移训练时，基于所述预训练得到的模型参数，仅对其中的解码器参数进行训练。

7.根据权利要求2所述的一种基于深度学习的滑坡灾害检测系统，其特征在于，所述滑坡识别模块的识别过程具体包括：

8.根据权利要求1所述的一种基于深度学习的滑坡灾害检测系统，其特征在于，所述滑坡精定位模块根据所述真实滑坡信号计算损失值，并输出损失值最小时的最优解，确定滑坡精确位置。

9.根据权利要求8所述的一种基于深度学习的滑坡灾害检测系统，其特征在于，计算损失值，并输出损失值最小时的最优解，具体为：

技术总结
本发明公开了一种基于深度学习的滑坡灾害检测系统，包括滑坡信号检测模块、滑坡识别模块和滑坡精定位模块；所述滑坡信号检测模块用于通过预先训练的滑坡信号拾取模型在单个台站数据中检测滑坡信号；所述滑坡识别模块用于获取多个台站检测到的滑坡信号，通过过滤，滤除错误检测信号，并确定滑坡事件的真实滑坡信号；所述滑坡精定位模块，用于根据所述真实滑坡信号对所述滑坡事件进行精确定位，得到精确位置本发明提出了基于多地震台站的滑坡位置精确定位方法，提高了检测精确度。

技术研发人员：于子叶,李丽,谢凡,田鑫,王万辞
受保护的技术使用者：中国地震局地球物理研究所
技术研发日：
技术公布日：2024/1/13