基于InSAR监测结果的滑坡体形变智能预测研究
作者单位：重庆交通大学
学位级别：硕士
导师姓名：潘建平
授予年度：2024年
学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 081803[工学-地质工程] 08[工学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术]
摘 要：滑坡是由于地表土壤、岩石等物质在重力作用下发生松动、位移或坍塌,导致大量土石下滑的地质灾害,对社会、经济、生态环境等方面都会造成破坏,因此对滑坡形变的提前预测可避免对人类的伤害。目前,滑坡的形变监测方法主要有水准测量、全球导航卫星系统(Global Navigation Satellite System,GNSS)位移监测和裂缝观测计等方式,然而这些方法存在成本高、点位局限、数据采集困难等问题,难以实现对滑坡演变趋势的整体掌控。滑坡形变监测数据是一种非线性的时空数据,现有的滑坡形变预测模型在分析滑坡位移监测数据时,考虑了时间序列的连续性和动态变化,但仅从单个点学习时间特征,忽略了滑坡体上不同点的空间相关性。随着遥感技术和深度学习神经网络的不断发展,借助合成孔径干涉雷达(Interferometric Synthetic Aperture Radar,InSAR)技术进行高精度地表观测已成为现实,结合深度学习网络模型可实现滑坡时空形变预测,为制定科学防治政策提供更有效支持,具有重要的理论和实践意义。 本文基于InSAR反演结果,综合考虑形变数据的时空特征,提出了一种顾及时空因素的滑坡形变预测模型,实现对滑坡的整体形变预测;此外结合外界影响因素,对滑坡体单点位进行形变预测。主要内容与结论如下: (1)沃达村滑坡地表形变反演。基于2021年1月至2022年12月的58景Sentinel-1A雷达卫星影像,利用短基线集(Small Baseline Subset,SBAS)InSAR技术反演了研究区的地表形变,结果表明沃达村滑坡的年均形变速率为-98mm/a,最大沉降量超200mm。从空间和时间两个角度分析了沃达村滑坡的形变特征,发现沃达村滑坡变形存在明显的空间差异性,呈不均匀形变状态。自2021年3月后,该滑坡的沉降趋势及沉降量不断增加,但总体较为稳定。最后结合外部影响因素,发现沃达村滑坡形变受降雨量和土壤含水量影响,呈现出周期性的沉降趋势。 (2)顾及时空特征的滑坡全局形变预测。基于InSAR监测结果的时空特征,利用K最邻近(K-Nearest Neighbor,KNN)算法进行空间相关性筛选,结合深度学习模型长短时记忆网络(Long Short-Term Memory,LSTM),构建顾及时空因素的滑坡形变预测模型KNN-LSTM,实现滑坡全局形变预测。与LSTM、支持向量机(Support Vactor Regression,SVR)、反向传播神经网络(Back Propagation Neural Network,BPNN)模型的预测结果进行对比,本文提出的方法在预测精度上表现更佳,其RMSE、MAE、MAPE误差分别为0.821、0.635、3.6%。 (3)顾及外界影响因子的滑坡单点形变预测。利用KNN-LSTM模型,考虑降雨量与土壤含水量对滑坡的影响,选择两个典型的形变点进行多变量滑坡形变预测。首先采用小波变换将时序形变数据分解为趋势项与周期项,然后利用所构建的KNN-LSTM模型得到趋势项与周期项预测结果,最后将趋势项形变与周期项形变相加可得总形变预测结果。选择单变量KNN-LSTM、LSTM、SVR、BPNN模型进行对比试验,结果表明多变量KNN-LSTM模型预测精度最高,其RMSE误差比上述四种模型降低了10%以上,证明本文方法在滑坡形变预测方面具有更高的准确性和可靠性。 论文基于时序InSAR技术对沃达村滑坡进行地表形变反演,利用计算出的时序形变结果,开展滑坡形变预测研究。考虑到滑坡形变结果的时空相关性,本文提出了一种结合KNN算法与LSTM网络的滑坡形变预测模型。利用KNN-LSTM网络模型对沃达村滑坡进行全局形变预测;此外结合外界影响因素,选取了两个滑坡体上沉降量较大的典型形变点开展单点滑坡预测。对比研究表明,论文的成果具有较强的工程应用价值,可为滑坡监测和防治工作提供有力的技术支持。
同方学位论文库