基于深度学习的滑坡位移时空预测

• Published in: Ce hui xue bao Vol. 51; no. 10; pp. 2160 - 2170
• Main Authors: 罗袆沅, 蒋亚楠, 许强, 廖露, 燕翱翔, 刘陈伟
• Format: Journal Article
• Language: Chinese; English
• Published: Beijing Surveying and Mapping Press 01.10.2022; 成都理工大学地质灾害防治与地质环境保护国家重点实验室,四川成都610059%成都理工大学地质灾害防治与地质环境保护国家重点实验室,四川成都610059; 成都理工大学地球科学学院,四川成都610059%四川测绘地理信息局测绘技术服务中心,四川成都610081%成都理工大学地球科学学院,四川成都610059
• Subjects: Ablation; Augmentation; Correlation; Deep learning; Deformation; Displacement; Geological hazards; Landslides; Monitoring; Prediction models; Root-mean-square errors; 门控循环单元; 图卷积网络; 滑坡; 时序预测; 空间相关性
• ISSN: 1001-1595; 1001-1595
• DOI: 10.11947/j.AGCS.2022.20220297

滑坡变形监测数据是认识滑坡变形演化规律的直接依据, 对该数据深度挖掘是实现滑坡灾害预警预报的有力保障。现有的滑坡位移预测模型多局限于单个监测点的时序预测, 且未考虑监测点间的空间相关性。针对上述问题, 本文提出了一种基于深度学习的滑坡位移时空预测模型: 首先, 构建表达所有点间空间相关性的加权邻接矩阵; 其次, 引入外界影响因素加强属性特征矩阵, 以构建图结构数据; 最后, 采用集合图卷积网络(GCN)和门控循环单元(GRU)的深度学习模型, 并通过多组试验寻找最优超参数, 实现滑坡位移的时空预测。本文模型结果的均方根误差为4.429mm, 与对比模型相比至少降低了47.3%。而消融试验结果也显示, 引入外界影响因素的属性增强可进一步提高模型的预测性能, 均方根误差相对于未属性增强结果减少了28.4%。结果表明, 该方法可用于滑坡位移或其他地质灾害中同样具有时空关联属性的观测量的时空预测。