一種顧及InSAR形變的LSTM地災(zāi)易發(fā)性時序預(yù)測方法技術(shù)

本發(fā)明專利技術(shù)實(shí)施例公開了一種顧及InSAR形變的LSTM地災(zāi)易發(fā)性時序預(yù)測方法，屬于地災(zāi)預(yù)測技術(shù)領(lǐng)域，其基于地災(zāi)樣本的時序優(yōu)化特征，訓(xùn)練評估地災(zāi)易發(fā)性的softmax模型。同時訓(xùn)練并實(shí)時更新預(yù)測優(yōu)化特征發(fā)展趨勢的LSTM深度學(xué)習(xí)模型。采用LSTM模型預(yù)測優(yōu)化特征發(fā)展趨勢，并利用softmax分類器根據(jù)未來優(yōu)化特征確定地災(zāi)易發(fā)性等級。本發(fā)明專利技術(shù)可通過前兩年的時間序列數(shù)據(jù)，獲取未來一個月的地災(zāi)易發(fā)性，可為相關(guān)部門開展地質(zhì)災(zāi)害預(yù)防提供新思路。門開展地質(zhì)災(zāi)害預(yù)防提供新思路。門開展地質(zhì)災(zāi)害預(yù)防提供新思路。

【技術(shù)實(shí)現(xiàn)步驟摘要】
一種顧及InSAR形變的LSTM地災(zāi)易發(fā)性時序預(yù)測方法


[0001]本專利技術(shù)實(shí)施例涉及地質(zhì)災(zāi)害易發(fā)性預(yù)測
，具體涉及一種顧及InSAR形變的LSTM地災(zāi)易發(fā)性時序預(yù)測方法。

技術(shù)介紹

[0002]公開該
技術(shù)介紹
部分的信息僅僅旨在增加對本專利技術(shù)的總體背景的理解，而不必然被視為承認(rèn)或以任何形式暗示該信息構(gòu)成已經(jīng)成為本領(lǐng)域一般技術(shù)人員所公知的現(xiàn)有技術(shù)。
[0003]地質(zhì)災(zāi)害具有分布廣、發(fā)生頻率高、災(zāi)害損失嚴(yán)重等特點(diǎn)，同時嚴(yán)重威脅人類生命財(cái)產(chǎn)安全。地質(zhì)災(zāi)害易發(fā)性是指特定位置與不同環(huán)境因子非線性綜合下評估該地區(qū)發(fā)生地災(zāi)的概率。通過地災(zāi)易發(fā)性實(shí)時預(yù)測可及時揭示區(qū)域內(nèi)潛在地災(zāi)發(fā)生概率，對于地災(zāi)的預(yù)防和緩解具有重要意義。
[0004]傳統(tǒng)的地災(zāi)易發(fā)性預(yù)測常采用隨機(jī)森林、邏輯回歸等方法，其都是直接對樣本進(jìn)行分類，無法充分挖掘地災(zāi)底層特征，導(dǎo)致評估的可靠性較差。同時，上述地災(zāi)易發(fā)評估模型均為靜態(tài)模型，忽略了地災(zāi)易發(fā)性隨時間變化的特征。現(xiàn)階段對于時間序列值的預(yù)測主要有兩大類方法：時序模型方法、深度時序模型方法。時序模型方法較為簡單，它是通過曲線擬合和參數(shù)估計(jì)來建立數(shù)學(xué)模型預(yù)測未來時間的值，主要適用于較小的數(shù)據(jù)集。深度時序模型方法指通過深度學(xué)習(xí)算法結(jié)合多變量數(shù)據(jù)集進(jìn)行訓(xùn)練，得到根據(jù)多因素?cái)?shù)據(jù)進(jìn)行預(yù)測的模型方法。其中最經(jīng)典模型為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)和長短期記憶人工神經(jīng)網(wǎng)絡(luò)(LSTM)。RNN能滿足大數(shù)據(jù)預(yù)測分析的需求，但是其梯度爆炸或者梯度消失的問題會導(dǎo)致預(yù)測精準(zhǔn)度降低，也不滿足長時間序列的預(yù)測。地災(zāi)易發(fā)性預(yù)測在LSTM的應(yīng)用的研究十分必要。

技術(shù)實(shí)現(xiàn)思路

[0005]為此，本專利技術(shù)實(shí)施例提供一種顧及InSAR形變的LSTM地災(zāi)易發(fā)性時序預(yù)測方法，旨在實(shí)現(xiàn)地質(zhì)災(zāi)害易發(fā)性的時間序列預(yù)測。
[0006]為了實(shí)現(xiàn)上述目的，本專利技術(shù)的實(shí)施方式提供如下技術(shù)方案：
[0007]在本專利技術(shù)的實(shí)施方式的第一方面中，提供了一種顧及InSAR形變的LSTM地災(zāi)易發(fā)性時序預(yù)測方法，包括如下步驟：
[0008]S1、通過SBAS
?
InSAR技術(shù)計(jì)算監(jiān)測區(qū)的形變速率、累積形變量、形變加速量以及累計(jì)降雨量、前三日累計(jì)降雨量作為主要特征，同時結(jié)合高程、坡度、坡向、剖面曲率、距斷層距離、巖性、土壤類型、距河流距離、植被覆蓋度、距道路距離、土地利用類型作為次要特征，建立時序特征；
[0009]S2、在次要特征基礎(chǔ)上，構(gòu)建敏感性
?
重要性
?
相關(guān)性方法進(jìn)行特征優(yōu)化，同時結(jié)合主要特征構(gòu)建優(yōu)化特征；
[0010]S3、通過實(shí)地調(diào)查、高分辨率光學(xué)遙感影像和歷史地質(zhì)災(zāi)害編錄數(shù)據(jù)等，收集地質(zhì)災(zāi)害樣本；
[0011]S4、將處理后的時序優(yōu)化特征及對應(yīng)易發(fā)性等級作為數(shù)據(jù)集，訓(xùn)練可以基于時序優(yōu)化特征確定地災(zāi)易發(fā)性等級的softmax分類器；
[0012]S5：基于時序優(yōu)化特征數(shù)據(jù)集，訓(xùn)練用于預(yù)測優(yōu)化特征未來發(fā)展趨勢的動態(tài)LSTM深度學(xué)習(xí)模型；
[0013]S6：基于動態(tài)LSTM深度學(xué)習(xí)模型預(yù)測未來時刻特征數(shù)據(jù)，然后傳遞至softmax分類器，確定地災(zāi)易發(fā)性等級。
[0014]2.如權(quán)利要求1所述的顧及InSAR形變的LSTM地災(zāi)易發(fā)性時序預(yù)測方法，其特征在于，步驟S1中構(gòu)建時序特征的步驟如下：
[0015]S11、將原始數(shù)據(jù)轉(zhuǎn)換成SLC格式數(shù)據(jù)，選取主影像，將其他影像依次與主影像配準(zhǔn)；
[0016]S12、設(shè)置時空基線閾值和多視比例值，根據(jù)短基線原則生成干涉像對，利用外部DEM模擬地形相位去除干涉圖中的地形相位，得到差分干涉圖；
[0017]S13、選用Goldstein方法進(jìn)行濾波，采用基于Delaunay三角網(wǎng)的最小費(fèi)用流法MCF對濾波增強(qiáng)后的差分干涉圖進(jìn)行相位解纏去除噪聲，減少由軌道、大氣和植被等因素引起的誤差；
[0018]S14、在地形平坦、沒有相位躍變的區(qū)域選取多個控制點(diǎn)進(jìn)行重去平，消除相位偏移量，采用SVD方法估算平均形變速率和殘余地形相位，通過大氣濾波估算和去除大氣延遲相位，從而得到最終地表形變結(jié)果，將生成的結(jié)果編碼至WGS84坐標(biāo)系下，得到LOS上的形變速率和累積形變量。
[0019]3.如權(quán)利要求2所述的顧及InSAR形變的LSTM地災(zāi)易發(fā)性時序預(yù)測方法，其特征在于，步驟S1中各類特征隨時間的變化情況：
[0020]形變速率、累積形變量分別為SBAS
?
InSAR技術(shù)監(jiān)測至當(dāng)前時間的形變速率和累積形變量，形變加速量為SBAS
?
InSAR技術(shù)獲取的當(dāng)前期與上期累積形變量的差值，上述特征為隨SAR影像重訪周期變化的動態(tài)特征，若重訪周期為12天，則形變特征逐12天變化一次；累計(jì)降雨量為截至當(dāng)前時間的降雨量累加和，前三日累計(jì)降雨量為當(dāng)前時間前三日的降雨量累加和，上述2種特征為逐天變化的動態(tài)特征；植被覆蓋度和土地利用數(shù)據(jù)依據(jù)高分辨率光學(xué)影像進(jìn)行計(jì)算，兩者為逐月變化的動態(tài)特征。距道路距離依據(jù)道路矢量計(jì)算，為逐年變化的動態(tài)特征；高程、坡度、坡向、剖面曲率、距斷層距離、巖性、土壤類型、距河流距離通過DEM數(shù)據(jù)、地質(zhì)資料等多源數(shù)據(jù)獲取，一般為長期不變的靜態(tài)特征。
[0021]4.如權(quán)利要求1所述的顧及InSAR形變的LSTM地災(zāi)易發(fā)性時序預(yù)測方法，其特征在于，步驟S2的步驟如下：
[0022]S21、基于頻率比計(jì)算次要特征的敏感性指數(shù)，從整體上反應(yīng)某一種特征對災(zāi)害發(fā)生的影響程度；
[0023]S22、采用具備bagging集成策略的隨機(jī)森林與具備boosting集成策略的梯度提升樹共同開展特征重要性分析，最終，根據(jù)分類正確率對特征重要性表征值進(jìn)行加權(quán)計(jì)算，獲得各特征的復(fù)合重要性特征值；
[0024]S23、采用皮爾遜相關(guān)系數(shù)對因子之間的相關(guān)性程度進(jìn)行分析，當(dāng)2個特征的相關(guān)系數(shù)絕對值大于0.40時認(rèn)為存在明顯相關(guān)性，應(yīng)對其進(jìn)行選取和剔除。
[0025]5.如權(quán)利要求1所述的顧及InSAR形變的LSTM地災(zāi)易發(fā)性時序預(yù)測方法，其特征在
于，步驟S4中，softmax分類器包含一個輸入層、一個隱藏層和一個輸出層，輸入層輸入?yún)?shù)為處理后的時序優(yōu)化特征，隱藏層單元個數(shù)由grid search法確定，輸出層單元個數(shù)為四個，分別代表不同地災(zāi)易發(fā)性等級。
[0026]6.如權(quán)利要求1所述的顧及InSAR形變的LSTM地災(zāi)易發(fā)性時序預(yù)測方法，其特征在于，步驟S5的過程為，將特征i等時間間距數(shù)據(jù)作為數(shù)據(jù)集，以n個連續(xù)時間的數(shù)據(jù)作為輸入?yún)?shù)(n<數(shù)據(jù)集中數(shù)據(jù)個數(shù))，以下一時刻數(shù)據(jù)作為輸出參數(shù)訓(xùn)練特征i的LSTM深度學(xué)習(xí)模型，隨時間不斷增加，獲取的新數(shù)據(jù)集不斷擴(kuò)大，從而不斷以新數(shù)據(jù)集實(shí)時更新長短期記憶網(wǎng)絡(luò)LSTM模型，得到動態(tài)LSTM深度學(xué)習(xí)模型。
[0027]7.如權(quán)利要求6所述的顧及InSAR形變的LSTM地災(zāi)易發(fā)性時序預(yù)測方法，其特征在于，其中所述LSTM單元對應(yīng)算法如下：
[0028]i
t
＝σ(本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】

【技術(shù)特征摘要】
1.一種顧及InSAR形變的LSTM地災(zāi)易發(fā)性時序預(yù)測方法，包括如下步驟：S1、通過SBAS
?
InSAR技術(shù)計(jì)算監(jiān)測區(qū)的形變速率、累積形變量、形變加速量以及累計(jì)降雨量、前三日累計(jì)降雨量作為主要特征，同時結(jié)合高程、坡度、坡向、剖面曲率、距斷層距離、巖性、土壤類型、距河流距離、植被覆蓋度、距道路距離、土地利用類型作為次要特征，建立時序特征；S2、在次要特征基礎(chǔ)上，構(gòu)建敏感性
?
重要性
?
相關(guān)性方法進(jìn)行特征優(yōu)化，同時結(jié)合主要特征構(gòu)建優(yōu)化特征；S3、通過實(shí)地調(diào)查、高分辨率光學(xué)遙感影像和歷史地質(zhì)災(zāi)害編錄數(shù)據(jù)等，收集地質(zhì)災(zāi)害樣本；S4、將處理后的時序優(yōu)化特征及對應(yīng)易發(fā)性等級作為數(shù)據(jù)集，訓(xùn)練可以基于時序優(yōu)化特征確定地災(zāi)易發(fā)性等級的softmax分類器；S5：基于時序優(yōu)化特征數(shù)據(jù)集，訓(xùn)練用于預(yù)測優(yōu)化特征未來發(fā)展趨勢的動態(tài)LSTM深度學(xué)習(xí)模型；S6：基于動態(tài)LSTM深度學(xué)習(xí)模型預(yù)測未來時刻特征數(shù)據(jù)，然后傳遞至softmax分類器，確定地災(zāi)易發(fā)性等級。2.如權(quán)利要求1所述的顧及InSAR形變的LSTM地災(zāi)易發(fā)性時序預(yù)測方法，其特征在于，步驟S1中構(gòu)建時序特征的步驟如下：S11、將原始數(shù)據(jù)轉(zhuǎn)換成SLC格式數(shù)據(jù)，選取主影像，將其他影像依次與主影像配準(zhǔn)；S12、設(shè)置時空基線閾值和多視比例值，根據(jù)短基線原則生成干涉像對，利用外部DEM模擬地形相位去除干涉圖中的地形相位，得到差分干涉圖；S13、選用Goldstein方法進(jìn)行濾波，采用基于Delaunay三角網(wǎng)的最小費(fèi)用流法MCF對濾波增強(qiáng)后的差分干涉圖進(jìn)行相位解纏去除噪聲，減少由軌道、大氣和植被等因素引起的誤差；S14、在地形平坦、沒有相位躍變的區(qū)域選取多個控制點(diǎn)進(jìn)行重去平，消除相位偏移量，采用SVD方法估算平均形變速率和殘余地形相位，通過大氣濾波估算和去除大氣延遲相位，從而得到最終地表形變結(jié)果，將生成的結(jié)果編碼至WGS84坐標(biāo)系下，得到LOS上的形變速率和累積形變量。3.如權(quán)利要求2所述的顧及InSAR形變的LSTM地災(zāi)易發(fā)性時序預(yù)測方法，其特征在于，步驟S1中各類特征隨時間的變化情況：形變速率、累積形變量分別為SBAS
?
InSAR技術(shù)監(jiān)測至當(dāng)前時間的形變速率和累積形變量，形變加速量為SBAS
?
InSAR技術(shù)獲取的當(dāng)前期與上期累積形變量的差值，上述特征為隨SAR影像重訪周期變化的動態(tài)特征，若重訪周期為12天，則形變特征逐12天變化一次；累計(jì)降雨量為截至當(dāng)前時間的降雨量累加和，前三日累計(jì)降雨量為當(dāng)前時間前三日的降雨量累加和，上述2種特征為逐天變化的動態(tài)特征；植被覆蓋度和土地利用數(shù)據(jù)依據(jù)高分辨率光學(xué)影像進(jìn)行計(jì)算，兩者為逐月變化的動態(tài)特征。距道路距離依據(jù)道路矢量計(jì)算，為逐年變化的動態(tài)特征；高程、坡度、坡向、剖面曲率、距斷層距離、巖性、土壤類型、距河流距離通過DEM數(shù)據(jù)、地質(zhì)資料等多源數(shù)據(jù)獲取，一般為長期不變的靜態(tài)特征。4.如權(quán)利要求1所述的顧及InSAR形變的LSTM地災(zāi)易發(fā)性時序預(yù)測方法，其特征在于，步驟S2的步驟如下：
S21、基于頻率比計(jì)算次要特征的敏感性指數(shù)，從整體上反應(yīng)某一種特征對災(zāi)害發(fā)生的...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：吳磊，孫世山，王肖，李進(jìn)田，
申請(專利權(quán))人：蘇州深藍(lán)空間遙感技術(shù)有限公司，
類型：發(fā)明
國別省市：