基于InSAR和GRU神经网络的不稳定斜坡地表形变预测

doi:10.13474/j.cnki.11-2246.2023.0068

测绘通报 ›› 2023, Vol. 0 ›› Issue (3): 33-38.doi: 10.13474/j.cnki.11-2246.2023.0068

基于InSAR和GRU神经网络的不稳定斜坡地表形变预测

潘建平, 蔡卓言, 赵瑞淇, 付占宝, 袁雨馨

重庆交通大学智慧城市学院, 重庆 400074

收稿日期:2022-03-25 发布日期:2023-04-04
作者简介:潘建平(1976-),男,博士,教授,主要从事摄影测量与遥感、地质工程方面的研究。E-mail:panjianping@cqjtu.edu.cn
基金资助:
贵州省地矿局2019年局管科研项目（黔地矿科合201909）；中铁隧道局集团2021年度科技创新计划（隧研合2021-16）；中铁隧道局集团2022年度科技创新计划（隧研合2022-14）；重庆交通大学研究生科研创新项目（CYS22437）

Forecasting the surface deformation of unstable slopes based on InSAR and GRU neural network

PAN Jianping, CAI Zhuoyan, ZHAO Ruiqi, FU Zhanbao, YUAN Yuxin

School of Smart City, Chongqing Jiaotong University, Chongqing 400074, China

Received:2022-03-25 Published:2023-04-04

摘要/Abstract

摘要： 不稳定斜坡地表形变预测对于滑坡灾害防治和预警具有重要意义。现有监测手段覆盖范围小、成本高，相关预测方法局限于单点预测，对历史数据量要求较高。针对上述问题，本文采用小基线集合成孔径雷达干涉测量（SBAS-InSAR）技术进行不稳定斜坡地表形变监测，设计了一种结合InSAR反演结果和门控循环单元（GRU）神经网络的不稳定斜坡地表形变预测方法。首先使用SBAS-InSAR技术对研究区域进行地表形变监测，然后利用获取到的时序形变反演结果，建立GRU模型进行形变规律学习，最后开展不稳定斜坡地表形变预测。试验结果表明，该方法对不稳定斜坡地表形变的预测平均绝对误差为0.678 mm，平均绝对比例误差为2.7%，相比于传统的支持向量回归（SVR）模型，预测效果提升超过30%，工程应用潜力较大。

关键词: 不稳定斜坡, 形变, 预测, SBAS-InSAR, GRU

Abstract: The prediction of surface deformation of unstable slope is crucial to landslide disaster prevention and early warning. The existing monitoring methods have small coverage and high cost. The relevant prediction methods are limited to single point prediction and have high requirements for the amount of historical data. To solve the above problems, this paper uses Small Base line Subset InSAR (SBAS-InSAR) technology to monitor the surface deformation of unstable slope, and designs a method for predicting the surface deformation of unstable slope based on the inversion results of InSAR and Gated Recurrent Unit (GRU) neural network. Firstly, the SBAS-InSAR technology is used to monitor the surface deformation in the study area, then the obtained time series deformation inversion results are used to establish the GRU model to study the deformation law, and finally carry out the surface deformation prediction of unstable slope.The experimental results show that the mean absolute error of this method for predicting the surface deformation of unstable slope is 0.678 mm,and the mean absolute error percentage is 2.7%.Compared with the traditional support vector regression (SVR) model,the prediction effect is improved by more than 30%, and the engineering application potential is great.

Key words: unstable slope, deformation, forecasting, SBAS-InSAR, GRU

中图分类号:

P237

潘建平, 蔡卓言, 赵瑞淇, 付占宝, 袁雨馨. 基于InSAR和GRU神经网络的不稳定斜坡地表形变预测[J]. 测绘通报, 2023, 0(3): 33-38.

PAN Jianping, CAI Zhuoyan, ZHAO Ruiqi, FU Zhanbao, YUAN Yuxin. Forecasting the surface deformation of unstable slopes based on InSAR and GRU neural network[J]. Bulletin of Surveying and Mapping, 2023, 0(3): 33-38.

参考文献

[1] 丁继新, 尚彦军, 杨志法, 等.降雨型滑坡预报新方法[J].岩石力学与工程学报, 2004, 23(21):3738-3743.
[2] 李振洪, 宋闯, 余琛, 等. 卫星雷达遥感在滑坡灾害探测和监测中的应用:挑战与对策[J]. 武汉大学学报(信息科学版), 2019, 44(7):967-979.
[3] 廖明生, 董杰, 李梦华, 等. 雷达遥感滑坡隐患识别与形变监测[J]. 遥感学报, 2021, 25(1):332-341.
[4] 李晓恩, 周亮, 苏奋振, 等. InSAR技术在滑坡灾害中的应用研究进展[J]. 遥感学报, 2021, 25(2):614-629.
[5] DAI Keren, XU Qiang, LI Zhenhong, et al. Post-disaster assessment of 2017 catastrophic Xinmo landslide (China) by spaceborne SAR interferometry[J]. Landslides, 2019, 16(6):1189-1199.
[6] 朱建军, 李志伟, 胡俊. InSAR变形监测方法与研究进展[J]. 测绘学报, 2017, 46(10):1717-1733.
[7] 张路, 廖明生, 董杰, 等. 基于时间序列InSAR分析的西部山区滑坡灾害隐患早期识别——以四川丹巴为例[J]. 武汉大学学报(信息科学版), 2018, 43(12):2039-2049.
[8] TOFANI V, SEGONI S, AGOSTINI A, et al. Technical note:use of remote sensing for landslide studies in Europe[J]. Natural Hazards and Earth System Sciences, 2013, 13(2):299-309.
[9] CAI Zhenglong, XU Weiya, MENG Yongdong, et al. Prediction of landslide displacement based on GA-LSSVM with multiple factors[J]. Bulletin of Engineering Geology and the Environment, 2016, 75(2):637-646.
[10] 杨背背, 殷坤龙, 杜娟. 基于时间序列与长短时记忆网络的滑坡位移动态预测模型[J]. 岩石力学与工程学报, 2018, 37(10):2334-2343.
[11] 冯非凡, 武雪玲, 牛瑞卿, 等. 一种V/S和LSTM结合的滑坡变形分析方法[J]. 武汉大学学报(信息科学版), 2019, 44(5):784-790.
[12] 张俊, 殷坤龙, 王佳佳, 等. 基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究[J]. 岩石力学与工程学报, 2015, 34(2):382-391.
[13] 蒋平. 基于回归神经网络的滑坡位移时间序列预测研究[D]. 武汉:华中科技大学, 2017.
[14] 刘青豪, 张永红, 邓敏, 等. 大范围地表沉降时序深度学习预测法[J]. 测绘学报, 2021, 50(3):396-404.
[15] 岳振华, 沈涛, 毛曦, 等. 循环神经网络的地面沉降预测方法[J]. 测绘科学, 2020, 45(12):145-152.
[16] BERARDINO P, FORNARO G, LANARI R, et al. A new algorithm for surface deformation monitoring based on small baseline differential SAR interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(11):2375-2383.
[17] 杨丽, 吴雨茜, 王俊丽, 等. 循环神经网络研究综述[J]. 计算机应用, 2018, 38(S2):1-6.
[18] 王增平, 赵兵, 纪维佳, 等. 基于GRU-NN模型的短期负荷预测方法[J]. 电力系统自动化, 2019, 43(5):53-58.
[19] 史绪国, 徐金虎, 蒋厚军, 等. 时序InSAR技术三峡库区藕塘滑坡稳定性监测与状态更新[J]. 地球科学, 2019, 44(12):4284-4292.

基于InSAR和GRU神经网络的不稳定斜坡地表形变预测

Forecasting the surface deformation of unstable slopes based on InSAR and GRU neural network

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	高亚萍, 王艳, 刘春菊, 王琪, 吴霞仙. 一种顾及重叠区地形变化的DSM镶嵌线智能提取算法[J]. 测绘通报, 2023, 0(3): 22-26.
[2]	钱雨扬, 杨泽发, 吴立新, 周亦, 秦源均. 联合InSAR与坡向约束的露天矿边坡三维形变监测[J]. 测绘通报, 2023, 0(2): 104-109.
[3]	王润泽, 费敏, 梁世川, 薛豪威, 楼晓. 基于SBAS-InSAR技术监测西安市地表形变特征[J]. 测绘通报, 2023, 0(1): 173-178.
[4]	李强强, 姜伟玲, 唐超, 徐浩. 越江盾构隧道结构形变分析与预测[J]. 测绘通报, 2022, 0(9): 34-38.
[5]	梁斌, 魏冠军. 利用InSAR技术观测台湾花莲地震断层滑动与运动机理分析[J]. 测绘通报, 2022, 0(9): 68-73.
[6]	唐菲菲, 唐天俊, 朱洪洲, 胡川, 马英, 李昕. 结合注意力机制和Bi-LSTM的降雨型滑坡位移预测[J]. 测绘通报, 2022, 0(9): 74-79,104.
[7]	杨俊山, 项鑫, 熊晓峰, 王艳利, 李小强. 矿区地表形变PPP监测自适应滤波算法及其应用[J]. 测绘通报, 2022, 0(9): 129-133.
[8]	刘璐, 罗年学, 赵前胜. 基于历史数据的黄海浒苔爆发规模预测[J]. 测绘通报, 2022, 0(7): 7-11.
[9]	周志伟, 程翔, 周伟, 郝卫峰, 肖海斌, 陈鸿杰, 杨魁. 地基SAR在滑坡形变监测中的应用[J]. 测绘通报, 2022, 0(7): 60-63.
[10]	葛鹏飞, 刘辉, 陈蜜, 李昱, 丁瑞力, 刘菲. 时序InSAR监测京雄城际铁路河北段地面沉降[J]. 测绘通报, 2022, 0(7): 64-70.
[11]	史健存, 杨泽发, 吴立新. 优化先验模型参数的矿区多轨InSAR三维形变监测[J]. 测绘通报, 2022, 0(7): 71-77.
[12]	朱邦彦, 唐超, 任志忠, 马状, 张琪, 李云. 基于PS-InSAR技术的珠海市地表形变监测与驱动力分析[J]. 测绘通报, 2022, 0(6): 108-113.
[13]	周定义, 左小清, 喜文飞, 肖波, 刘馨雨. 顾及大气误差和相位解缠误差的LiCSBAS方法对高山峡谷地区地质灾害的探测[J]. 测绘通报, 2022, 0(6): 114-120147.
[14]	张家勇, 邹银先, 刘黔云, 张楠, 龚伟, 李康伦. 利用时序InSAR进行毕节市潜在滑坡识别与形变监测[J]. 测绘通报, 2022, 0(6): 121-124.
[15]	曾学宏, 赵义花. 利用SBAS-InSAR技术分析西宁市地面沉降监测及驱动因素[J]. 测绘通报, 2022, 0(6): 137-142.