耦合InSAR和深度学习的滑坡面状位移预测方法、设备及介质

本技术涉及滑坡灾害预测预报领域，尤其涉及一种耦合insar和深度学习滑坡面状位移预测方法、设备及介质。

背景技术：

1、滑坡是全球范围普遍存在的一种地质灾害，往往会造成大量的人员伤亡和财产损失。建立有效的滑坡预警系统可以在灾害发生前防患于未然，降低滑坡带来的风险。滑坡变形是滑坡监测的重要指标，可以直接反映当前滑坡的运动趋势，也是滑坡灾害预警的关键预测因子。滑坡位移预测模型主要包括数学模型与物理模型。在前人研究中，往往通过建立各类数学模型，如支持向量机模型(support vector machine,svm)，循环神经网络(recurrent neural network,rnn)，bp神经网络(back propagation neural network)，卷积神经网络(convolutional neural networks,cnn)等，对滑坡位移进行预测。

2、然而滑坡位移的变化是非线性的运行过程，受到地质结构，水文条件，人类活动，地形等诸多因素的影响，单点的数学模型没有考虑滑坡点之间的物理作用，往往不能对滑坡位移进行整体分析与把握，无法直接对面状滑坡区进行面状位移预测，导致滑坡灾害预警的空间精细化程度低。

3、综上，现有技术存在如下缺陷：(1)滑坡的变形存在显著的空间异质性，基于传统点状监测技术发展的预测方法空间分辨率极低，难以支撑滑坡的精细化预警预报功能；(2)以往的预测方法大多针对监测点进行预测，没有考虑滑坡整体的物理空间关联。

技术实现思路

1、本发明的目的在于：为了解决上述背景技术中所提到的问题，提供一种能够对滑坡区进行面状位移预测的耦合insar和深度学习滑坡面状位移预测方法、设备及介质。

2、本技术的上述目的是通过以下技术方案得以实现的：

3、s1：通过时间序列insar技术提取目标滑坡体的地表位移时间序列；

4、s2：对所述地表位移时间序列进行投影转换和空间插值，获取目标滑坡体的最陡坡度向位移的面状栅格数据集；

5、s3：根据邻域窗体建立空间关系索引，提取邻域窗体内栅格点的最陡坡度向位移，结合滑坡位移诱发因子，构建影响因子矩阵；

6、通过滑坡类型以及地表距离，对邻域窗体内所有栅格点建立加权邻接矩阵；

7、s4：通过图卷积神经网络，实现所述加权邻接矩阵对所述影响因子矩阵的重构；

8、s5：将重构后的影响因子矩阵作为双向循环神经网络输入，利用双向循环神经网络对每个栅格点进行预测，得到滑坡面状位移的预测结果。

9、可选的，步骤s2包括：

10、s21：利用gis地理信息系统平台，获取数字高程模型dem中的滑坡地表的坡度参数和坡向参数；

11、s22：将通过时间序列insar技术提取的雷达视线向位移投影至斜坡的最陡坡度向，计算方程如下：

12、

13、hlos＝cosα

14、

15、

16、

17、式中：nlos为所述雷达视线向位移在正北方向的投影；α为卫星成像的入射角；δ为地理正西方向与卫星成像视线向的夹角；hlos为所述雷达视线向位移在垂直方向的投影；elos为所述雷达视线向位移在正东方向的投影；ω为卫星轨道方向与地理正北方向的夹角；c表示卫星视线向位移和最陡坡度向位移的转换系数；s为坡度参数；a为坡向参数；vlos是卫星视线向测量所得的速度；vslope为最陡坡度向的位移，即为投影转换的结果；

18、s23：根据insar监测点的最陡坡度向位移以及监测点位置，采用克里金法对各观测期间的insar监测点的最陡坡度向位移进行空间插值，获取所述最陡坡度向位移的面状栅格数据集。

19、可选的，步骤s3包括：

20、s31：收集所述滑坡位移诱发因子，所述滑坡位移诱发因子包括：降雨信息以及库水位信息；

21、根据邻域窗体建立空间关系索引，分别提取面状栅格数据集中的所有栅格点的邻域窗体内的最陡坡度向位移；

22、根据所有栅格点的邻域窗体内的最陡坡度向位移与滑坡位移诱发因子，得到滑坡变形的所述影响因子矩阵s；

23、s32：对所有栅格点设置对应的邻接矩阵权重，具体如下：

24、根据滑坡运动模式设定所述滑坡系数；所述滑坡运动模式包括：推移式滑坡、牵引式滑坡以及整体式滑坡；

25、通过滑坡系数以及邻域点距离，确定所述邻接矩阵权重；

26、通过栅格点之间的距离，构建全连接矩阵，将所述滑坡系数与对应的全连接矩阵相乘，得到所述加权邻接矩阵an，如下：

27、

28、其中，n为insar监测点的数量，k表示加权邻接矩阵an的权重值。

29、可选的，步骤s4包括：

30、所述图卷积神经网络包括：gcn输入层、隐藏层、relu单元以及gcn输出层；所述relu单元采用relu函数为非线性激活函数；

31、所述图卷积神经网络的输入数据为所述加权邻接矩阵与所述影响因子矩阵；

32、通过传播表达式实现加权邻接矩阵对影响因子矩阵的重构，传播表达式如下：

33、h(l+1)＝σ(d-0.5ad-0.5h(l)w(l))

34、式中，a为特征变换矩阵，i是单位矩阵；d是a的度矩阵；h为每一层的特征，σ是relu函数，w为加权邻接矩阵的权重。

35、可选的，步骤s5包括：

36、在双向循环神经网络中对隐藏层向量ht以及cell层向量ct进行卷积操作，其中，隐藏层向量ht表示双向循环神经网络隐藏神经元状态，cell层向量ct表示双向循环神经网络cell层向量参数；

37、每个栅格点单独作为一个节点，得到滑坡位移的面状预测结果。

38、可选的，在所述步骤s5之后，还包括：

39、采用平均绝对误差mae、平均绝对比例误差maspe和均方根误差rmse对所述预测结果进行精度验证，所述平均绝对误差mae的计算公式如下：

40、

41、所述平均绝对比例误差mape的计算公式如下：

42、

43、所述均方根误差rmse的计算公式如下：

44、

45、其中，n为研究区栅格点数目，y为观测位移值，为预测位移值。

46、一种电子设备，包括处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和网络接口用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行一种耦合insar和深度学习滑坡面状位移预测方法。

47、一种计算机可读存储介质，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行一种耦合insar和深度学习滑坡面状位移预测方法。

48、本技术提供的技术方案带来的有益效果是：

49、通过时间序列insar技术提取目标滑坡体的位移监测数据(地表位移时间序列)并将其投影至最陡坡度的向，应用克里金法进行空间插值，获取最陡坡度向位移的栅格数据集；结合降雨信息以及库水位信息等滑坡位移诱发因子，利用gcn模型与双向循环神经网络耦合的深度学习技术，构建时空卷积网络gcn-双向循环神经网络，以实现滑坡面状位移预测。预测结果为滑坡体所有栅格像元的位移值，预测结果准确且空间精细程度高，可以有效支撑大型滑坡进行精细化的预警预报。