[发明专利]基于InSAR反演与多影响因子的大范围滑坡形变预测方法

说明书

本发明公开了一种基于InSAR反演与多影响因子的大范围滑坡形变预测方法，包括：对SAR影像数据进行InSAR反演处理，得到时序形变数据；对时序形变数据进行聚类，得到若干类别的时序形变数据；将各类别的时序形变数据分解为周期项形变序列与趋势项形变序列；确定与周期项形变显著相关的影响因子；分别建立各类别时序形变数据的LSTM模型实现对各类别的形变进行预测；将各类别的周期项形变预测值与趋势项形变预测值相加，得到各类别的形变量预测结果，将各类别的形变量预测结果进行合并，得到大范围的滑坡形变预测结果。本发明能够实现对大范围滑坡形变的有效预测，解决了现有技术存在的预测范围小、成本高等不足。

技术领域

本发明涉及地质灾害预测领域，具体涉及一种基于InSAR反演与多影响因子的大范围滑坡形变预测方法。

背景技术

滑坡是经地质构造、降雨等内外因素共同作用而触发的复杂地质演化过程。频发、广泛分布的滑坡及其链式灾害，严重影响区域水能资源开发、新型城镇化建设、铁路公路交通干线等工程建造与运营。滑坡形变预测作为实现滑坡灾害预报的有效手段，是滑坡灾害防治的基础性工作之一，相关理论和方法在近年来也得到了快速的发展和应用。

公开号为CN112270400A的发明专利，其技术方案顾及到了滑坡形变影响因子对滑坡的影响，并使用深度学习LSTM(Long Short-Term Memory)网络建立模型，考虑了滑坡自身演变的动态特性，提高了预测精度。但该方案是以传统滑坡监测得到的单点监测数据作为主要数据源，这种方法会受到传统滑坡监测范围小，成本高的限制，且单点监测/预测结果无法全面的反映滑坡整体的形变特征。

公开号为CN113251947A的发明专利，其技术方案使用InSAR技术获取地表形变时序结果，然后结合深度学习LSTM网络建立模型，对地表形变进行预测。但是，一方面，该方法没有对InSAR的地表形变反演结果分类处理，不能考虑到不同区域的不同形变趋势，会影响形变的预测效果；另一方面，该方法没有考虑到滑坡形变影响因子的影响，不适用于受动态影响因子影响较大的滑坡区域。

发明内容

有鉴于此，本发明的目的是克服现有技术中的缺陷，提供基于InSAR反演与多影响因子的大范围滑坡形变预测方法，能够实现对大范围滑坡形变的有效预测，解决了现有技术存在的预测范围小、成本高等不足。

本发明的基于InSAR反演与多影响因子的大范围滑坡形变预测方法，包括如下步骤：

S1.采集目标区域的SAR影像数据，并对SAR影像数据进行InSAR反演处理，得到时序形变数据；

S2.对时序形变数据进行聚类处理，得到若干类别的时序形变数据；

S3.将各类别的时序形变数据分解为周期项形变序列与趋势项形变序列；

S4.提取若干影响因子，计算各影响因子分别与各类别的周期项形变序列之间的关联度，选取出与周期项形变显著相关的影响因子，并将显著相关的影响因子作为目标影响因子；

S5.对各类别的时序形变数据分别建立LSTM模型，具体包括：

同一类别的趋势项形变，将趋势项形变作为变量输入，建立趋势项单变量LSTM模型；

同一类别的周期项形变，将周期项形变与目标影响因子作为变量输入，建立周期项多变量LSTM模型；

S6.对步骤S5中的单变量LSTM模型以及多变量LSTM模型进行网络模型训练，得到训练好的LSTM模型，并使用训练好的LSTM模型对各类别的形变进行预测，得到各类别的周期项形变预测值与趋势项形变预测值；

S7.将各类别的周期项形变预测值与趋势项形变预测值相加，得到各类别的形变量预测结果，并将各类别的形变量预测结果进行合并，得到大范围的滑坡形变预测结果。

进一步，对SAR影像数据进行InSAR反演处理，具体包括：