一种基于形变监测和深度学习的地质灾害监测预警方法技术

本发明专利技术公开了一种基于形变监测和深度学习的地质灾害监测预警方法，首先采用GNSS数据辅助高分卫星影像对监测区域进行地表形变监测，在保证监测准确性和实时性的情况下，有效节约了人力成本；然后基于深度学习的思想，采用深度生成对抗网络模型建立地表形变监测结果到地质灾害发生概率的关系，避免或降低人为主观因素的影响，预测速度快且结果准确；最后根据监测区域的地质灾害发生概率可以向用户进行有效的地质灾害预警。进行有效的地质灾害预警。进行有效的地质灾害预警。

【技术实现步骤摘要】
一种基于形变监测和深度学习的地质灾害监测预警方法


[0001]本专利技术属于机器学习和地质灾害监测
，具体涉及一种基于形变监测和深度学习的地质灾害监测预警方法的设计。

技术介绍

[0002]我国山区众多，相应地滑坡、泥石流、塌方等地质灾害较为频发，给居民的生命财产造成了巨大的威胁。研究表明，当山区的地质灾害发生之前，相关区域的地表或多或少都会发生形变，且地质灾害发生的概率和形变量的大小呈正相关，因此对地质灾害多发区域的地表形变进行监测可以有效对该区域后续的地质灾害进行监测与预警。
[0003]但目前的现有技术中，一方面针对地表形变的监测多采用静力水准仪，监测实时性较差，且比较耗费人力成本；另一方面得到地表形变监测结果之后，多采用专家经验对后续是否发生地质灾害进行监测与预警，这种偏向人工的分析方法受到人为主观因素的影响，预测结果并不是十分准确，同时还存在预测速度较慢，效率较低的问题。

技术实现思路

[0004]本专利技术的目的是为了解决现有的地质灾害监测预警方法耗费人力成本、效率较低且准确性较低的问题，提出了一种基于形变监测和深度学习的地质灾害监测预警方法，实现对山区地质灾害准确高效的监测与预警。
[0005]本专利技术的技术方案为：一种基于形变监测和深度学习的地质灾害监测预警方法，包括以下步骤：S1、采集监测区域的高分卫星影像。
[0006]S2、对高分卫星影像进行预处理，得到预处理数据。
[0007]S3、采集监测区域的GNSS数据。
[0008]S4、通过GNSS数据对预处理数据进行相位解缠，得到监测区域的形变监测数据，并将形变监测数据划分为训练集数据和测试集数据。
[0009]S5、构建深度生成对抗网络模型。
[0010]S6、将地质灾害发生概率作为预测标签，通过训练集数据对深度生成对抗网络模型进行训练，得到地质灾害预测模型。
[0011]S7、将测试集数据输入地质灾害预测模型，输出得到监测区域的地质灾害发生概率。
[0012]S8、当监测区域的地质灾害发生概率大于预设概率阈值时，向用户发出地质灾害预警。
[0013]本专利技术的有益效果是：（1）本专利技术采用GNSS数据辅助高分卫星影像对监测区域进行地表形变监测，在保证监测准确性和实时性的情况下，有效节约了人力成本。
[0014]（2）本专利技术基于深度学习的思想，采用深度生成对抗网络模型建立地表形变监测
结果到地质灾害发生概率的关系，避免或降低人为主观因素的影响，预测速度快且结果准确。
[0015]进一步地，步骤S2包括以下分步骤：S21、将高分卫星影像中有云覆盖、气溶胶覆盖或冰雪覆盖的影像数据删除。
[0016]S22、将高分卫星影像中有缺失、噪声或异常像元的影像数据删除。
[0017]S23、将剩余影像数据裁剪拼接至同一范围，得到预处理数据。
[0018]上述进一步方案的有益效果是：本专利技术对有云覆盖、气溶胶覆盖或冰雪覆盖的影像数据以及有缺失、噪声或异常像元的影像数据进行了筛除，同时将筛选后的影像裁剪拼接至同一范围，能够使得后续得到的形变监测数据更加准确。
[0019]进一步地，步骤S3包括以下分步骤：S31、在监测区域内划分正多边形格网。
[0020]S32、将正多边形格网的每个顶点作为GNSS数据采集点。
[0021]S33、在每个GNSS数据采集点布设一个GNSS接收机，采集监测区域的GNSS数据。
[0022]上述进一步方案的有益效果是：本专利技术在监测区域采用正多边形格网的方式均匀布设GNSS接收机，能够精确采集到监测区域的GNSS数据。
[0023]进一步地，步骤S4包括以下分步骤：S41、在预处理数据中选择分辨率最高的影像数据作为参考影像。
[0024]S42、对预处理数据中除参考影像外的其他影像进行干涉处理，得到干涉影像。
[0025]S43、通过GNSS数据辅助将所有干涉影像都配准到参考影像上，得到缠绕干涉图。
[0026]S44、通过GNSS数据对缠绕干涉图进行相位解缠，得到解缠干涉图。
[0027]S45、对解缠干涉图进行地理编码，得到监测区域的形变监测数据。
[0028]S46、将形变监测数据划分为训练集数据和测试集数据。
[0029]步骤S44中通过GNSS数据对缠绕干涉图进行相位解缠的公式为：其中I
g
表示解缠干涉图，I
h
表示缠绕干涉图，round(
·
)表示取整运算，I
GNSS
表示通过GNSS数据插值反演得到的解缠干涉图，表示干涉处理的半波长。
[0030]上述进一步方案的有益效果是：本专利技术结合监测区域的高分卫星影像和GNSS数据，利用相位解缠的方法，能够得到高分辨率的地表形变监测数据。
[0031]进一步地，步骤S5中构建的深度生成对抗网络模型包括生成器网络和判别器网络，生成器网络包括依次连接的第一反卷积层、第一BN层、第二反卷积层、第二BN层、第三反卷积层、第三BN层和第四反卷积层，判别器网络包括依次连接的第一卷积层、第四BN层、第二卷积层、第五BN层、第三卷积层、第六BN层和第四卷积层，第四反卷积层的输出连接第一卷积层的输入。
[0032]上述进一步方案的有益效果是：（1）本专利技术通过反卷积层搭建生成器网络，通过卷积层搭建判别器网络，同时在生成器网络和判别器网络中均使用了BN层，提升了模型训练的速度和稳定性。
[0033]（2）本专利技术在生成器网络的第四反卷积层和判别器网络的第一卷积层之间未设置
BN层，而是直接相连，避免了生成器网络和判别器网络之间的样本振荡和模型不稳定。
[0034]进一步地，生成器网络采用ReLU作为激活函数，判别器网络采用LeakyReLU作为激活函数。
[0035]上述进一步方案的有益效果是：本专利技术使用有界激活的方式，可以有效提高深度生成对抗网络模型的学习速率。
[0036]进一步地，步骤S6包括以下分步骤：S61、向生成器网络输入随机噪声数据，输出得到生成数据。
[0037]S62、将生成数据和训练集数据输入判别器网络中，将地质灾害发生概率作为预测标签构建损失函数。
[0038]S63、判断损失函数是否收敛，若是则训练完成，得到地质灾害预测模型，否则返回步骤S61。
[0039]步骤S62中构建的损失函数具体为：其中Loss表示损失函数，E
r
表示监测区域的真实地质灾害发生概率分布，E
c
表示监测区域的预测地质灾害发生概率分布，D(
·
)表示判别器网络，G(
·
)表示生成器网络，x表示训练集数据，z表示随机噪声数据。
[0040]上述进一步方案的有益效果是：本专利技术将地质灾害发生概率作为预测标签，以监测区域的真实地质灾害发生概率分布和预测地质灾害发生概率分布构建损失函数，当损失函数值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于形变监测和深度学习的地质灾害监测预警方法，其特征在于，包括以下步骤：S1、采集监测区域的高分卫星影像；S2、对高分卫星影像进行预处理，得到预处理数据；S3、采集监测区域的GNSS数据；S4、通过GNSS数据对预处理数据进行相位解缠，得到监测区域的形变监测数据，并将形变监测数据划分为训练集数据和测试集数据；S5、构建深度生成对抗网络模型；S6、将地质灾害发生概率作为预测标签，通过训练集数据对深度生成对抗网络模型进行训练，得到地质灾害预测模型；S7、将测试集数据输入地质灾害预测模型，输出得到监测区域的地质灾害发生概率；S8、当监测区域的地质灾害发生概率大于预设概率阈值时，向用户发出地质灾害预警。2.根据权利要求1所述的地质灾害监测预警方法，其特征在于，所述步骤S2包括以下分步骤：S21、将高分卫星影像中有云覆盖、气溶胶覆盖或冰雪覆盖的影像数据删除；S22、将高分卫星影像中有缺失、噪声或异常像元的影像数据删除；S23、将剩余影像数据裁剪拼接至同一范围，得到预处理数据。3.根据权利要求1所述的地质灾害监测预警方法，其特征在于，所述步骤S3包括以下分步骤：S31、在监测区域内划分正多边形格网；S32、将正多边形格网的每个顶点作为GNSS数据采集点；S33、在每个GNSS数据采集点布设一个GNSS接收机，采集监测区域的GNSS数据。4.根据权利要求1所述的地质灾害监测预警方法，其特征在于，所述步骤S4包括以下分步骤：S41、在预处理数据中选择分辨率最高的影像数据作为参考影像；S42、对预处理数据中除参考影像外的其他影像进行干涉处理，得到干涉影像；S43、通过GNSS数据辅助将所有干涉影像都配准到参考影像上，得到缠绕干涉图；S44、通过GNSS数据对缠绕干涉图进行相位解缠，得到解缠干涉图；S45、对解缠干涉图进行地理编码，得到监测区域的形变监测数据；S46、将形变监测数据划分为训练集数据和测试集数据。5.根据权利要求4所述的地质灾害监...

【专利技术属性】
技术研发人员：胡正涛，兰昌义，黎智，唐鹏，黄霞，
申请(专利权)人：四川省冶金地质勘查局水文工程大队，
类型：发明
国别省市：