一种融合多尺度时空特征的滑坡形变预测方法技术

本发明专利技术提供一种融合多尺度时空特征的滑坡形变预测方法，包括：获取滑坡形变相关数据进行预处理，将处理得到的滑坡历史形变时序数据和时空影响因子数据输入滑坡形变预测模块中，滑坡形变预测模块包括编码器和解码器，编码器为多尺度双分支网络，基于时间特征提取模块，通过动态时序分解算法和轻量化时间注意力机制提取多尺度时间特征；基于空间特征提取模块，通过融合滑坡形变间的局部空间特征和全局空间特征的多尺度空间特征；通过解码器将多尺度时间特征和多尺度空间特征进行特征融合，并上采样进行重构获得下一时刻滑坡累积形变预测结果。本发明专利技术的滑坡形变预测模块可以充分挖掘滑坡数据的时空依赖关系，能有效提升滑坡形变时空预测的精度。

【技术实现步骤摘要】

本专利技术涉及滑坡形变预测领域，更具体地，涉及一种融合多尺度时空特征的滑坡形变预测方法。

技术介绍

1、滑坡形变监测技术从单一技术方法到多元化方法快速融合，逐渐发展成为“天地空”协同滑坡监测体系。“地”主要是指滑坡地表监测，其布设成本高，受通视条件、气候和植被影响；“空”主要是指低空无人机监测，其易受飞行高度、地形、植被和大气等影响，数据后处理较复杂；“天”主要指太空卫星遥感监测，包括gnss、insar等技术。天基监测技术具有全天时、全天候实时监测、精度高等优点，克服了“地空”监测技术存在地形、气象气候干扰等限制。相较于gnss受监测站点布设等限制，insar监测技术有着大区域全覆盖等优势，已经成为滑坡形变监测的热门技术之一。

2、近年来，深度学习技术被广泛应用在滑坡形变预测领域，并取得了显著的效果。杨背背利用小波变换方法分解滑坡形变序列，采用lstm模型结合影响因子对分解后的形变序列进行预测，得到较为精确的预测结果。郭澳庆等利用n-beats网络模型将新铺滑坡形变数据分解为趋势项和周期项，精确完成了滑坡预测工作。罗袆沅等利用gcn和gru的本文档来自技高网...

【技术保护点】

1.一种融合多尺度时空特征的滑坡形变预测方法，其特征在于，包括：

2.根据权利要求1所述的滑坡形变预测方法，其特征在于，所述时间特征提取模块为U-Net骨干网络，所述U-Net骨干网络嵌入动态时序分解算法和基于多头自注意力的轻量化时间注意力机制L-ATE；

3.根据权利要求2所述的滑坡形变预测方法，其特征在于，所述基于所述动态时序分解算法将所述输入数据分解为趋势项和周期项，包括：

4.根据权利要求3所述的滑坡形变预测方法，其特征在于，所述U-Net骨干网络包括多个并列的多头自注意力模块，所述基于多头自注意力的轻量化时间注意力机制分别将所述趋势项和所述周...

【技术特征摘要】

1.一种融合多尺度时空特征的滑坡形变预测方法，其特征在于，包括：

2.根据权利要求1所述的滑坡形变预测方法，其特征在于，所述时间特征提取模块为u-net骨干网络，所述u-net骨干网络嵌入动态时序分解算法和基于多头自注意力的轻量化时间注意力机制l-ate；

3.根据权利要求2所述的滑坡形变预测方法，其特征在于，所述基于所述动态时序分解算法将所述输入数据分解为趋势项和周期项，包括：

4.根据权利要求3所述的滑坡形变预测方法，其特征在于，所述u-net骨干网络包括多个并列的多头自注意力模块，所述基于多头自注意力的轻量化时间注意力机制分别将所述趋势项和所述周期项进行l-ate计算，包括：

5.根据权利要求4所述的滑坡形变预测方法，其特征在于，每一个所述多头自注意力模块包括并列的多个head头，所述每一个多头自注意力模块对所述趋势项和所述周期项进行l-ate计算，得到...

【专利技术属性】
技术研发人员：李江，徐满，朱家宝，慎昀，程思，张冬梅，
申请(专利权)人：湖北省自然资源厅信息中心，
类型：发明
国别省市：