基于InSAR反演与多影响因子的大范围滑坡形变预测方法技术

本发明专利技术公开了一种基于InSAR反演与多影响因子的大范围滑坡形变预测方法，包括：对SAR影像数据进行InSAR反演处理，得到时序形变数据；对时序形变数据进行聚类，得到若干类别的时序形变数据；将各类别的时序形变数据分解为周期项形变序列与趋势项形变序列；确定与周期项形变显著相关的影响因子；分别建立各类别时序形变数据的LSTM模型实现对各类别的形变进行预测；将各类别的周期项形变预测值与趋势项形变预测值相加，得到各类别的形变量预测结果，将各类别的形变量预测结果进行合并，得到大范围的滑坡形变预测结果。本发明专利技术能够实现对大范围滑坡形变的有效预测，解决了现有技术存在的预测范围小、成本高等不足。成本高等不足。成本高等不足。

【技术实现步骤摘要】
基于InSAR反演与多影响因子的大范围滑坡形变预测方法


[0001]本专利技术涉及地质灾害预测领域，具体涉及一种基于InSAR反演与多影响因子的大范围滑坡形变预测方法。

技术介绍

[0002]滑坡是经地质构造、降雨等内外因素共同作用而触发的复杂地质演化过程。频发、广泛分布的滑坡及其链式灾害，严重影响区域水能资源开发、新型城镇化建设、铁路公路交通干线等工程建造与运营。滑坡形变预测作为实现滑坡灾害预报的有效手段，是滑坡灾害防治的基础性工作之一，相关理论和方法在近年来也得到了快速的发展和应用。
[0003]公开号为CN112270400A的专利技术专利，其技术方案顾及到了滑坡形变影响因子对滑坡的影响，并使用深度学习LSTM(Long Short
‑
Term Memory)网络建立模型，考虑了滑坡自身演变的动态特性，提高了预测精度。但该方案是以传统滑坡监测得到的单点监测数据作为主要数据源，这种方法会受到传统滑坡监测范围小，成本高的限制，且单点监测/预测结果无法全面的反映滑坡整体的形变特征。
[0004]公开号为CN113251947A的专利技术专利，其技术方案使用InSAR技术获取地表形变时序结果，然后结合深度学习LSTM网络建立模型，对地表形变进行预测。但是，一方面，该方法没有对InSAR的地表形变反演结果分类处理，不能考虑到不同区域的不同形变趋势，会影响形变的预测效果；另一方面，该方法没有考虑到滑坡形变影响因子的影响，不适用于受动态影响因子影响较大的滑坡区域。

技术实现思路
/>[0005]有鉴于此，本专利技术的目的是克服现有技术中的缺陷，提供基于InSAR反演与多影响因子的大范围滑坡形变预测方法，能够实现对大范围滑坡形变的有效预测，解决了现有技术存在的预测范围小、成本高等不足。
[0006]本专利技术的基于InSAR反演与多影响因子的大范围滑坡形变预测方法，包括如下步骤：
[0007]S1.采集目标区域的SAR影像数据，并对SAR影像数据进行InSAR反演处理，得到时序形变数据；
[0008]S2.对时序形变数据进行聚类处理，得到若干类别的时序形变数据；
[0009]S3.将各类别的时序形变数据分解为周期项形变序列与趋势项形变序列；
[0010]S4.提取若干影响因子，计算各影响因子分别与各类别的周期项形变序列之间的关联度，选取出与周期项形变显著相关的影响因子，并将显著相关的影响因子作为目标影响因子；
[0011]S5.对各类别的时序形变数据分别建立LSTM模型，具体包括：
[0012]同一类别的趋势项形变，将趋势项形变作为变量输入，建立趋势项单变量LSTM模型；
[0013]同一类别的周期项形变，将周期项形变与目标影响因子作为变量输入，建立周期项多变量LSTM模型；
[0014]S6.对步骤S5中的单变量LSTM模型以及多变量LSTM模型进行网络模型训练，得到训练好的LSTM模型，并使用训练好的LSTM模型对各类别的形变进行预测，得到各类别的周期项形变预测值与趋势项形变预测值；
[0015]S7.将各类别的周期项形变预测值与趋势项形变预测值相加，得到各类别的形变量预测结果，并将各类别的形变量预测结果进行合并，得到大范围的滑坡形变预测结果。
[0016]进一步，对SAR影像数据进行InSAR反演处理，具体包括：
[0017]S11.对SAR影像数据进行预处理；所述预处理包括数据导入以及数据裁剪；
[0018]S12.从SAR影像中选取超级主影像，并将其他所有影像配准至超级主影像；
[0019]S13.通过基线估算、连接图生成、差分干涉、干涉图滤波以及相位解缠处理，得到SBAS反演估算用的基础数据；
[0020]S14.从基础数据中去除残余地形误差与残余大气相位，对形变信息进行单位转换，得到形变结果；所述形变结果包括形变速率与形变时间序列；
[0021]S15.将形变结果转到地理坐标系下，得到目标区域的若干个高相干点，每个高相干点有若干时间段的时序形变数据。
[0022]进一步，对时序形变数据进行聚类处理，具体包括：
[0023]S21.在所有时序形变数据中随机确定N个数据分别作为聚类中心；
[0024]S22.将每一条时序形变数据分别与N个聚类中心计算余弦相似度值CS，并将该条数据分配到CS值最高的聚类中；
[0025]S23.各个聚类中的每条数据分别与本聚类中的其他数据计算CS值，将与所述其他数据的平均CS值最高的数据重新定义为聚类中心；
[0026]S24.重复步骤S22
‑
S23进行迭代，直到各聚类中的数据不再变化或迭代到K次为止；
[0027]S25.计算各聚类中心数据的CS值，若CS值大于A，则将类别数N加1，并重新聚类；若CS值小于B，则将类别数N减1，并重新聚类；聚类完成后分别输出各类别数据。
[0028]进一步，根据如下公式计算余弦相似度值CS：
[0029][0030]其中，其中，与分别代表两条不同的时序数据，x0，
…
，x
N
‑1以及y0，
…
,y
N
‑1分别代表N个时序的形变。
[0031]进一步，步骤S3中，所述分解采用小波分解，所述小波的分解函数为Daubechies，所述小波的分解层数为四层。
[0032]进一步，所述若干影响因子包括降雨量、库水位高程以及库水位变化量。
[0033]进一步，根据如下步骤计算各影响因子分别与各类别的周期项形变序列之间的关联度：
[0034]S41.将周期项形变序列取作为将n个影响因子序列取作并对周期项形变序列与影响因子序列进行归一化处理；
[0035]S42.计算周期项形变序列与影响因子序列对应元素的绝对差值|x0(t)
‑
x
i
(t)|；其中，x0(t)为周期项形变序列在t时刻的值，x
i
(t)为影响因子序列在t时刻的值；
[0036]S43.计算关联系数ξ
0i
(t)：
[0037][0038]其中，ξ
0i
(t)为周期项形变序列与影响因子序列在t时刻的关联系数，表示两序列的最小绝对差值，表示两序列的最大绝对差值，ρ为分辨系数；
[0039]S44.计算关联度r
0i
：
[0040][0041]其中，n为时序序列长度。
[0042]本专利技术的有益效果是：本专利技术公开的一种基于InSAR反演与多影响因子的大范围滑坡形变预测方法，以InSAR反演结果为数据源，解决了现有技术利用传统滑坡监测数据导致的范围小、成本高等问题；相比于现有技术，能得到大范围的形变预测结果，更能反映滑坡整体区域的形变特征。通过对InSAR技术反演的地表形变结果进行聚类，对聚类结果分别预测，解决了现有技术中直接使用InSAR地表形变结果进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于InSAR反演与多影响因子的大范围滑坡形变预测方法，其特征在于：包括如下步骤：S1.采集目标区域的SAR影像数据，并对SAR影像数据进行InSAR反演处理，得到时序形变数据；S2.对时序形变数据进行聚类处理，得到若干类别的时序形变数据；S3.将各类别的时序形变数据分解为周期项形变序列与趋势项形变序列；S4.提取若干影响因子，计算各影响因子分别与各类别的周期项形变序列之间的关联度，选取出与周期项形变显著相关的影响因子，并将显著相关的影响因子作为目标影响因子；S5.对各类别的时序形变数据分别建立LSTM模型，具体包括：同一类别的趋势项形变，将趋势项形变作为变量输入，建立趋势项单变量LSTM模型；同一类别的周期项形变，将周期项形变与目标影响因子作为变量输入，建立周期项多变量LSTM模型；S6.对步骤S5中的单变量LSTM模型以及多变量LSTM模型进行网络模型训练，得到训练好的LSTM模型，并使用训练好的LSTM模型对各类别的形变进行预测，得到各类别的周期项形变预测值与趋势项形变预测值；S7.将各类别的周期项形变预测值与趋势项形变预测值相加，得到各类别的形变量预测结果，并将各类别的形变量预测结果进行合并，得到大范围的滑坡形变预测结果。2.根据权利要求1所述的基于InSAR反演与多影响因子的大范围滑坡形变预测方法，其特征在于：对SAR影像数据进行InSAR反演处理，具体包括：S11.对SAR影像数据进行预处理；所述预处理包括数据导入以及数据裁剪；S12.从SAR影像中选取超级主影像，并将其他所有影像配准至超级主影像；S13.通过基线估算、连接图生成、差分干涉、干涉图滤波以及相位解缠处理，得到SBAS反演估算用的基础数据；S14.从基础数据中去除残余地形误差与残余大气相位，对形变信息进行单位转换，得到形变结果；所述形变结果包括形变速率与形变时间序列；S15.将形变结果转到地理坐标系下，得到目标区域的若干个高相干点，每个高相干点有若干时间段的时序形变数据。3.根据权利要求1所述的基于InSAR反演与多影响因子的大范围滑坡形变预测方法，其特征在于：对时序形变数据进行聚类处理，具体包括：S21.在所有时序形变数据中随机确定N个数据分别作为聚类中心；S22.将每一条时序形变数据分别与N个聚类中心计算余弦相似度值CS，并将该条...

【专利技术属性】
技术研发人员：潘建平，蔡卓言，赵瑞淇，付占宝，朱玲，郭志豪，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：