基于LDP-ConvFormer和MT-InSAR观测数据的滑坡位移增强时空预测方法
《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》:An enhanced spatiotemporal prediction method on landslide displacement with LDP-ConvFormer and MT-InSAR observations
【字体:
大
中
小
】
时间:2026年01月08日
来源:ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING 12.2
编辑推荐:
蔡建鳌|明东平|刘峰|赵文毅|张明亮|凌霄|朱梦圆|卢旭|卢婷婷|刘宁杰|魏彦飞|黄明
中国地质大学(北京)人工智能学院,北京100083,中国
摘要
在三江口水库地区(TGRA),利用多时相干涉合成孔径雷达(MT-InSAR)技术实现滑坡位移预测(LDP)以构建滑
蔡建鳌|明东平|刘峰|赵文毅|张明亮|凌霄|朱梦圆|卢旭|卢婷婷|刘宁杰|魏彦飞|黄明
中国地质大学(北京)人工智能学院,北京100083,中国
摘要
在三江口水库地区(TGRA),利用多时相干涉合成孔径雷达(MT-InSAR)技术实现滑坡位移预测(LDP)以构建滑坡预警系统(LEWS)面临显著挑战。一方面,卫星的重复访问频率有限,无法满足LEWS对高频率监测的需求;另一方面,传统的LDP方法侧重于单点建模,忽视了位移点与滑坡表面之间的空间相关性。为提升低频MT-InSAR观测数据的质量,本文提出了一种新的混合算法,结合卡尔曼滤波器(KF)和LDP-ConvFormer以实现更精确的时空位移预测。首先,将多轨道MT-InSAR测量结果转换为下滑位移;随后通过KF整合这些位移数据,生成时间序列数据(时间间隔为5/7天)。KF估计结果表明,这种高分辨率时间序列的精度较高,RMSE为0.431厘米,R2值为0.974(与GNSS相比)。最后,为克服单点建模的局限性,开发了一种新的LDP-ConvFormer。时空位移预测变换器(STDP-Former)采用局部空间多头自注意力(LSMHSA)和时间多头自注意力(TMHSA)分别捕捉同一时间步长内不同空间位置的位移依赖关系以及不同时间步长间的时间关系。此外,时空特征图被分解为趋势成分和周期成分,分别进行建模后再合并以获得最终预测结果。实验结果表明,该模型能够准确建立滑坡位移与其触发因素之间的非线性关系。LDP-ConvFormer的性能优于参考方法,其指标分别为:RMSE为46.29毫米,MAE为26.7毫米,SSIM为0.8187,PSNR为35.62,R2为0.9574,EVar为0.9603。在中长期(60-90天)内,LDP-ConvFormer在TGRA的滑坡预测中表现出显著优势。这种增强的时空位移预测方法为该地区的滑坡预警系统提供了极其宝贵的参考。
引言
中国三峡大坝是全球最大的水利工程之一,在调节水流和改善航行条件方面发挥着关键作用(Guo等人,2024年)。然而,三江口水库地区的水位变化导致许多河岸坡面出现徐变变形,这种变形可能引发滑坡(Dai等人,2023年),对居民区、道路和水运安全构成严重威胁。滑坡预警系统(LEWS)是减轻滑坡风险的重要工具(Intrieri等人,2019年;Xu等人,2020年)。实现有效LEWS的关键指标包括位移监测、环境监测和地质参数监测。传统的地面监测设备(如伸长计、全球导航卫星系统(GNSS)和倾角计)为LEWS的发展提供了关键数据(Zhou等人,2024年)。其中,GNSS能够直接检测滑坡运动,是LEWS警报生成的重要组成部分(Pecoraro等人,2019年)。然而,这种监测方法受到高成本和空间分辨率的限制。在TGRA地区,已有4695处滑坡记录,但仅不到300处安装了专用监测仪器(Cheng等人,2014年;Fang等人,2025年)。研究表明,滑坡相关灾害多发生在基础设施较差的地区(Froude和Petley,2018年),当地政府可能难以分配足够的资源用于滑坡监测和LEWS建设。因此,迫切需要开发成本效益高的LEWS方法和技术。
滑坡位移预测(LDP)是LEWS的核心组成部分(Ebrahim等人,2024年)。目前,多时相干涉合成孔径雷达(MT-InSAR)技术(如永久散射体InSAR(PS-InSAR)(Ferretti等人,2000年)、小基线子集InSAR(SBAS-InSAR)(Berardino等人,2002年)和分布式散射体InSAR(DS-SAR)(Ferretti等人,2011年)已被广泛用于LDP。尽管MT-InSAR在经济效益上优于GNSS,但其应用受到硬件和软件成本高、处理时间长以及需要专业知识的限制。为缓解这些局限,一些组织提供了免费的InSAR处理平台(如HyP3,Hogenson等人,2016年),该平台基于云服务,用户无需下载或处理原始SAR数据即可处理Sentinel-1数据,后者因数据处理成本低而常用于活跃滑坡监测(Yi等人,2023年)。然而,目前尚无研究将此平台应用于LDP,其潜力仍有待探索。此外,由于单轨道SAR卫星的重复访问频率有限,MT-InSAR只能在较低的时间分辨率(12天或更长)下监测滑坡,可能无法捕捉滑坡的加速阶段(Cai等人,2022年)。为提高时间分辨率,刘等人(2018年)整合了多传感器SAR数据,利用最小二乘法分析了1992年至2015年太原地区的地面沉降;蔡等人(2022年)利用卡尔曼滤波器(KF)整合了ALOS-2和Sentinel-1数据,实现了高时间分辨率的滑坡监测(最小时间间隔为2天)。然而,与上述研究的线性变形不同,TGRA地区的滑坡受到库水位和降雨的影响,因此需要构建更精细的状态矩阵。
现有的LDP模型可分为数据驱动型和物理驱动型两类(Xu等人,2024年)。物理驱动模型利用力学原理和地质参数预测滑坡,虽然性能不错,但在参数调优方面存在主观性影响(Helmstetter等人,2004年)。数据驱动方法包括数学统计(MS)、机器学习(ML)和深度学习(DL)。MS方法(如Gray模型(Ju-Long,1982年)和自回归积分滑动平均(ARIMA)(Wheelwright等人,1998年)可以避免主观性,但无法捕捉水库滑坡位移数据的非线性关系;ML方法(如支持向量机(SVM)(Hearst等人,1998年)具有较强的非线性拟合能力,但由于TGRA地区滑坡受多种因素影响,累积位移呈现阶梯状,导致预测效果不佳。深度学习模型(DL)具有更复杂的网络结构,能更有效地捕捉多种触发因素之间的相关性。早期研究主要集中在时间建模上,例如Duan等人(2023年)提出了针对TGRA白家堡滑坡的多变量长短期记忆(LSTM)预测模型;Zhou等人(2024年)利用门控循环单元(GRU)分别从小波变换中提取趋势成分和周期成分来预测滑坡。Li等人(2024年)使用Transformer实现了大湾子滑坡的位移预测。尽管这些方法有一定效果,但它们大多依赖单点预测,忽略了空间相关性和分解成分之间的相互作用,因此在复杂区域的位移预测效果较差(Xu等人,2024年)。为克服这些局限,引入了时空模型,这些模型通过结合空间和时间信息来评估整体变形和识别潜在危险。例如ConvLSTM(Shi等人,2015年)和ConvLSTM-Net(Yao等人,2023年)结合了卷积层和循环单元提取局部时空特征;嵌入式时空网络(ESTNet(Luo等人,2022年)利用3D卷积神经网络(CNN)进行联合时空学习。然而,这些方法在捕捉全局空间特征和长期依赖关系方面存在不足。相比之下,CNN-Transformer(Liu等人,2021年;Xu等人,2024年;Yuan等人,2021年)通过注意力机制在建模复杂时空关系方面表现更优。尽管有这些进展,但仍存在三个关键问题:(1)基于CNN-Transformer的时空LDP研究很少;(2)大多数研究仅分离趋势和周期成分的建模,未充分考虑它们之间的相互作用;(3)大多数模型要么侧重于局部或全局特征提取,要么侧重于时间依赖性捕捉,很少同时结合起来。
为解决单轨道低频重复访问周期和单点建模的局限,以及传统方法无法捕捉长期位移依赖性的问题,本研究提出了一种新的混合算法,结合了卡尔曼滤波器和LDP-ConvFormer,利用多轨道下滑MT-InSAR数据进行滑坡预测。以TGRA地区的楚王井滑坡为案例研究,旨在基于多轨道MT-InSAR(Sentinel-1)和水文数据实现高精度、低成本的时空位移预测。
研究区域
楚王井滑坡位于三峡大坝上游34公里的 Zigui县,经度110°41′28.4″E,纬度30°58′35.9″N。图1(a)显示了滑坡的具体位置,图1(b)展示了其光学特性。该滑坡呈舌状平面形态,属于混合土岩类型。部分剖面图(图1(c))显示滑动体由第四纪残积物和崩积物组成(Q4el+dl)。
算法流程
图2示意了所提出的混合算法的工作流程,旨在利用多轨道MT-InSAR观测数据实现更精确的时空位移预测。首先,使用Python的Miami InSAR时间序列软件(MintPy,Yunjun等人,2019年)和HyP3工具估计多轨道表面位移时间序列;随后结合坡度、朝向、入射角及滑坡迁移坐标框架进行数据处理。
结论
本研究提出了一种新的混合算法,结合卡尔曼滤波器(KF)和深度学习模型(LDP-ConvFormer),利用多轨道下滑MT-InSAR观测数据实现更高时间分辨率的时空位移预测。以TGRA地区的楚王井滑坡为案例研究。主要贡献包括:
作者贡献声明
蔡建鳌:撰写——原始稿件;明东平:撰写——审阅与编辑、撰写——原始稿件、监督、数据分析、概念化;刘峰:方法论研究;赵文毅:资金筹措;张明亮:数据分析;凌霄:可视化设计;朱梦圆:软件开发与数据管理;卢旭:验证与监督;卢婷婷:数据分析与资源管理;魏彦飞:利益冲突声明
致谢
本研究部分得到了国家关键研发计划(项目编号2022YFB3903604)和中国国家自然科学基金(项目编号42371379)的支持,部分资金来自“深度数字地球”科学技术领军人才团队基金(中央高校),该团队隶属于北京中国地质大学深度数字地球前沿科学中心及中央高校基本科研业务费。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号