一种融合多尺度时空特征的滑坡形变预测方法与流程

本发明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。

背景技术：

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的深度学习模型实现滑坡形变的时空预测，得到了较为精确的结果，但未考虑沉降因子对滑坡形变的周期性影响。郭子正等提出了一种基于时空注意机制的深度学习模型，该模型将cnn与lstm神经网络相结合，对三峡库区进行了精准预测。

3、基于滑坡形变的时空序列预测方法大体可分为三类：传统参数模型方法、机器学习预测方法和深度学习预测方法。传统参数模型预测方法首先需要确定合适的模型，并对其参数进行求解，以完成时间序列的预测任务。机器学习预测方法通常针对少量数据以及小样本数据进行建模。深度学习预测方法通过训练循环神经网络模型和卷积神经网络模型来实现滑坡形变时空预测。传统参数模型方法忽视了不同位置间的相互作用，该类模型结构较为简单，预测精度有限；机器学习预测方法运算能力和拟合能力有限，难以建模复杂和动态的时空序列数据，且在长期预测和多变量预测时表现不佳；而基于深度学习的方法大多仅从单点滑坡监测数据建模，忽略滑坡整体分布不均衡、复杂的空间特征，同时传统循环神经网络方法存在长期依赖现象，难以挖掘滑坡形变数据及影响因子间的波动性、非稳定性特征。实现高精度、大范围的滑坡形变时空预测是非常具有挑战性的。

技术实现思路

1、本发明针对现有技术中存在的技术问题，提供一种融合多尺度时空特征的滑坡形变预测方法，包括：

2、获取遥感卫星影像数据、精密轨道数据、gacos大气数据、dem数据、年平均降雨量数据和库水位数据；

3、步骤2，基于所述精密轨道数据和gacos大气数据，对所述遥感卫星影像数据进行sbas-insar处理，得到滑坡历史形变时序数据；以及对所述dem数据进行处理，得到坡度和坡向数据；其中，所述年平均降雨量数据、库水位数据、坡度和坡向数据构成时空影响因子数据；

4、步骤3，对所述时空影响因子数据和所述滑坡历史形变时序数据进行灰色关联度相关性分析，基于灰色关联度，筛选出与所述滑坡历史形变时序数据关联的时空影响因子数据；

5、步骤4，将所述滑坡历史形变时序数据和所述时空影响因子数据输入滑坡形变预测模块中，所述滑坡形变预测模块包括编码器和解码器，所述编码器为多尺度双分支网络，所述多尺度双分支网络包括时间特征提取模块和空间特征提取模块；

6、步骤5，基于所述时间特征提取模块，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；基于所述空间特征提取模块，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；

7、步骤6，通过所述解码器将提取的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。

8、本发明提供的一种融合多尺度时空特征的滑坡形变预测方法，滑坡形变预测模块中包括时间特征提取模型和空间特征提取模型，分别提取滑坡形变数据的时间特征和空间特征，解决滑坡形变时空预测问题，所提出的模型可以有效地提取大范围滑坡的时空特征，从而提升滑坡形变预测结果的精度。

技术特征：

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，得到对应的时间特征，包括：

6.根据权利要求5所述的滑坡形变预测方法，其特征在于，所述基于每一个所述多头自注意力模块中的head头的数量h，在通道维度上对待计算数据进行分组，包括：

7.根据权利要求6所述的滑坡形变预测方法，其特征在于，根据每一个head头编码后的数据，计算每一个head头的注意力得分，包括：

8.根据权利要求7所述的滑坡形变预测方法，其特征在于，所述基于最后一层多头自注意力模块得到的编码后的数据，计算最后一层多头自注意力模块的各个head头的注意力得分，包括：

9.根据权利要求5所述的滑坡形变预测方法，其特征在于，根据所述编码后的数据和对应的head头的得分，计算每一组待计算子数据的时间特征，包括：

10.根据权利要求1所述的滑坡形变预测方法，其特征在于，所述步骤5中的空间特征提取模块包括局部空间特征提取单元和全局空间特征提取单元；

技术总结本发明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。技术研发人员：李江,徐满,朱家宝,慎昀,程思,张冬梅受保护的技术使用者：湖北省自然资源厅信息中心技术研发日：技术公布日：2024/11/18