D-InSAR与随机森林模型耦合的活动性滑坡识别方法探究

灾害的早期识别是防灾减灾领域的关键技术。文中以甘肃省舟曲县为例,利用2018年1月－2019年1月Sentinel-1A雷达卫星降轨数据和2021年5月Sentinel-2光学遥感影像数据,通过D-InSAR技术获取研究区地表形变信息,利用随机森林模型识别潜在的滑坡体。结果表明:使用已有的滑坡数据集,采用随机森林模型能够较好地识别出潜在滑坡体。潜在滑坡点分布位置均位于地表形变量大的区域。舟曲县整体形变沿东西向发生,主要分布于舟曲县东北和西南方向,与潜在滑坡点高度重合。识别出的潜在滑坡点（立节乡北山滑坡）,年形变量达到0.12?m,于2021年1月18日发生滑坡,该滑坡典型案例也印证了文中方法的有效性。     

动水驱动型滑坡的状态仿射迁移学习方法

三峡库区的动水驱动型滑坡具有阶梯式变形特征，在监测数据不足的情况下，难以准确、合理地完成滑坡分析与预测预报等相关研究.针对监测数据不足的情况，设计了一种状态仿射迁移学习方法（Stateaffinetransfer learningmethod,SATLM），通过学习相似滑坡的知识完成对数据量不足的滑坡状态分析.为验证SATLM对滑坡状态分析的有效性，设计了一种状态相似分析方法，完成对库区多个滑坡的知识学习后实现对另一个数据量不足的滑坡地表位移预测.结果表明，完成状态仿射迁移后，本方法与BPNN和SVM相比，万州塘角1号滑坡地表位移预测的平均绝对误差和均方根误差都实现了较大降低.白家包滑坡、白水河滑坡、八字门滑坡知识的成功迁移，证明了SATLM在相似动水驱动型滑坡的知识迁移上具有较好效果.     

基于BP神经网络的滑坡监测多源异构数据融合算法研究

针对滑坡监测中的多源异构数据融合问题,论文提出了一种基于BP神经网络的多源异构监测数据融合算法。该算法将影响滑坡变形的温度、湿度、风力、云量、单日降水量和累计降水量等多环境因子变量作为输入变量,以滑坡位移变化量数据作为期望输出数据,并利用各环境因子变量和滑坡位移变化量的相关性及显著性进行环境因子变量筛选,以提高算法的预测精度。论文采用甘肃省永靖县黑方台党川滑坡的实测数据进行了试验,结果表明:反向传播（Back-Propagation,BP）神经网络数据融合算法适用于具有多源异构监测数据的滑坡变形预测;在进行环境变量因子筛选后,BP神经网络数据融合算法的决定系数达到0.985,均方根误差（RMSE）达到0.4787 mm,从而有效提高了变形预测结果的精度。      

考虑时滞效应的库区滑坡位移预测——以新铺滑坡为例

库区滑坡失稳每年不同程度影响区内人民生活和生产安全,滑坡位移精准预测对于灾害风险预警及防灾减灾十分重要。常规的位移预测方法未充分考虑降雨、库水位波动等诱发因素对滑坡变形的时滞效应,无法精确识别滞后天数及各因素的影响程度,制约了预测精度的提高。本文以三峡库区新铺滑坡为例,根据2021年度的位移监测与水文气象数据集,利用皮尔逊相关系数法定量描述了山坡尺度上降雨、库水位波动对滑坡变形的时滞效应,结合BP神经网络建立了一种考虑时滞效应的滑坡位移预测模型。分析结果表明:在山坡尺度上,库水位波动对地表变形的时滞效应明显,滞后时间呈现出从近岸向远岸逐渐增加的规律;降雨量对地表变形的时滞效应较弱,在山坡尺度上呈现相关度不高、滞后天数较短的规律;与未考虑时滞因素的模型相比,本研究中的滑坡位移预测模型拟合优度提升了55.77%,均方根误差降低了31.60%,模型预测精度显著提高。研究成果一定程度上揭示了特大型库区滑坡的变形机理,并为同类滑坡的位移精准预测提供了参考依据。     

利用InSAR技术研究黄土地区滑坡分布

InSAR技术能够获取大面积、连续、高精度的地表垂直形变信息,可用来监测地震、火山、滑坡等自然灾害造成的地表形变。文章介绍了InSAR技术在监测陕北黄土地区滑坡中的应用,首先进行野外地质勘察和TM光学遥感影像解译,接着通过EnviSat SAR数据差分干涉处理,获取研究区干涉形变场,提取出滑坡位移量,最后详细分析黄草湾至董家寺沿线一带的滑坡变形范围,并划定出了4个有一定变形的重点监视区。     

知识图谱优化卡尔曼滤波预测库岸滑坡位移

中国三峡库区库岸滑坡灾害频发，预测库岸滑坡位移是降低风险的重要措施之一。文章构建了库岸滑坡中文知识图谱，提出了知识图谱优化卡尔曼滤波预测库岸滑坡位移模型KG-MTKF。以三峡库区奉节县新铺滑坡为例，采用现场监测数据验证了模型有效性。结果表明，与监测数据系列相比，多因素卡尔曼滤波模型（MT-KF）和知识图谱优化卡尔曼滤波模型（KG-MTKF）用于预测库岸滑坡时，在稳定变形阶段均表现出良好的一致性；在滑坡变形的初始阶段和阶跃段，KGMTKF模型预测精度更高。初始段两种模型存在误差，主要由于滑坡初期变形值较小、系统噪声显著所导致。在阶跃段、平稳段与整个监测周期中，两种模型的误差都较小，且KG-MTKF模型的预测精度显著高于MT-KF模型。对于新铺滑坡这类非线性动力系统，KG-MTKF预测模型在不同位置与变形阶段均能保持高精度与强鲁棒性。     

基于多变量LSTM神经网络的地下水水位预测

为解决以往模型未考虑地下水位相关影响因素的问题,探讨长短期记忆（LSTM）神经网络在地下水位预测中的应用,利用长短期记忆神经网络,采用多变量输入的方式,构建了基于多变量LSTM神经网络的地下水水位预测模型。以泰安市岱岳区J1号监测井为例,采用2001-2014年地下水水位动态监测资料与相关影响因素数据,利用多变量LSTM神经网络对2015-2016年地下水位进行预测,并与单变量LSTM神经网络和反向传播（BP）神经网络进行对比。研究结果表明：以相关影响变量为输入的BP神经网络无法考虑时序变化规律,预测均方根误差最大,为2.399 3;以地下水位为变量输入的单变量LSTM神经网络仅能根据时序变化作出相应预测,无法考虑相关变量影响,预测均方根误差为2.102 2;基于多变量输入的LSTM神经网络的预测精度显著高于单变量LSTM神经网络和BP神经网络,预测均方根误差最小,仅为1.919 1。总体上,多变量LSTM神经网络地下水位预测模型仅在某些峰值处误差较大,但总体预测效果较为理想。     

基于Stacking模型融合的深基坑地面沉降预测

为了提高机器学习对深基坑地面沉降的预测能力,本文提出了一种基于Stacking集成学习方式的多模型融合的地面沉降预测方法,并以深圳某深基坑为例,采用斯皮尔曼相关性系数对基坑地面沉降的影响因子进行筛选;运用筛选后的8个影响因子建立Stacking深基坑地面沉降预测模型,以验证该方法的适用性。结果表明：Stacking预测模型的平均绝对误差为0.34、平均绝对误差百分比为2.22%,均方根误差为0.13,相较于传统基模型（随机森林、支持向量机和人工神经网络）,Stacking预测模型的平均绝对误差、平均绝对误差百分比和均方根误差值皆为最小。     

立节北山滑坡地震稳定性及破坏过程三维有限元分析

针对甘肃省舟曲县立节镇北山滑坡在地震情况下的稳定性及失稳后可能威胁的范围问题，笔者使用显式有限元及动力学大变形方法分析了该滑坡在地震情况下的稳定性及失稳后的破坏过程。首先基于滑坡纵剖面建立二维平面应变模型分析滑坡稳定性及破坏过程，之后使用航测点云数据建立三维滑坡模型进行计算分析。地震条件下三维计算确定的滑坡安全系数结果低于1.0，较二维计算结果低7.7%；三维情况计算出的滑动距离达1.73 km，高于二维情况17%，说明滑坡灾害问题使用二维小变形方法得出结果偏于危险。笔者采用显式有限元、三维及大变形计算方法分析更符合实际，可为滑坡灾害的工程防治提供科学理论依据。     

基于MSBAS技术的金沙江上游色拉滑坡形变分析

金沙江缝合带是滑坡灾害的高发区,且具有较大的堵江威胁。以堵江风险较高的色拉滑坡为研究对象,选取高时间分辨率的升降轨Sentinel-1A/B数据,利用MSBAS InSAR技术对该滑坡展开地表形变监测研究。文章在利用不同轨道的Sentinel-1A/B获取色拉滑坡2018—2020年间的二维动态形变时间序列的基础上,分析了典型特征点形变时间序列特征。结果表明,在2018年1月—2020年4月色拉滑坡东西向累积形变最高达到165 mm,垂直向累积形变达?102 mm,滑坡体形变加速的时间点被成功地捕获。最后,分析了该滑坡的形变趋势,通过现场调查结果验证了所获得滑坡监测结果的准确性。     

光学遥感用于贵州发耳镇尖山营滑坡监测研究

文章选取贵州省发耳镇尖山营采矿型滑坡为研究对象,利用多期光学遥感数据,基于亚像元相关性匹配技术,实现该滑坡长时序定量化二维形变监测。利用多期存档Google earth影像及无人机影像,探测出该地区1#滑坡在2013年已开始发生明显的地表形变,且随着时间的推移,地表形变愈发严重;再基于Sentinel-2遥感数据求解出1#滑坡自2016年7月31日至2020年3月22日期间的二维形变时间序列,结果表明:该滑坡最大水平形变方向与斜坡方向一致,且在东西向和南北向上均表现为持续增大的趋势,最大累积形变量分别达到了44 m和-58 m。      

免像控无人机航测技术在舟曲县立节北山滑坡-泥石流灾害应急处置中的应用

近年来,无人机航测技术在地质灾害防治领域广泛应用,特别是在突发性地质灾害应急处置中优势显著。免像控无人机航测技术能够快速获取测绘数据,跟传统航测方法相比,极大的节约了时间和人力成本。文中利用大疆精灵Phantom 4 RTK无人机,对甘肃省舟曲县立节北山滑坡-泥石流灾害进行免像控航测数据获取和处理。根据航测成果快速获取了滑坡形态特征、泥石流沟道特征等相关参数, 分析了滑坡变形迹象,并应用实地测量数据进行免像控航测精度评价分析。研究结果表明:滑坡形态特征、泥石流沟道特征、变形迹象均与实地相符,检核点精度满足《低空数字航空摄影测量内业规范》（GH/Z 3003—2010）数据生产规范,成果数据可用于灾害体变形特征分析、几何参数快速提取,辅助分析评估险情、灾情。对突发性地质灾害应急处置中无人机测绘数据的快速获取工作具有一定的借鉴意义。     

矿山边坡地表变形的PSO-ELM预测模型

为提高矿山边坡地表变形预测模型的精度,从矿山边坡地表变形影响因素角度考虑,建立了基于粒子群优化（PSO）极限学习机（ELM）的矿山边坡地表变形预测模型。结合经典的粒子群优化算法和极限学习机方法,提出矿山边坡地表变形影响因素同地表变形数值之间的耦合关系;采用中煤平朔安家岭露天矿区矿山边坡地表变形及影响变形因素的采集数据,应用ELM建立预测模型,并应用PSO对ELM预测模型的输入层与隐含层的连接权值、隐含层阈值进行优化,以提高其预测精度。研究表明,经过PSO的优化,将预测模型的最大相对误差（4.705×10-8）、均方误差（6.243×10-5）及均方根误差（0.008）等预测误差参数分别降低到1.516×10-8,1.158×10-5和0.003,说明PSO-ELM预测模型具有更高的预测精度,该预测模型可在后续研究中进一步应用于矿山边坡地表变形预测中,以期提升矿山生产安全。      

基于SBAS-InSAR技术的金沙江流域沃达村巨型老滑坡形变分析

近年来突发性高位滑塌灾害日益频发,造成恶劣影响。这类地质灾害调查难度高、隐蔽性强,单靠群测群防和地质调查难以解决灾害的防治问题。随着雷达遥感卫星数据质量的不断提升,合成孔径干涉雷达测量(InSAR)中的SBAS-InSAR技术为特大型老滑坡灾前形变探测提供了新的技术途径。利用SBAS-InSAR技术对金沙江流域沃达村滑坡进行地表形变监测,获取了2017年3月30日至2019年9月28日内的形变结果,划定了强烈形变区(Ⅰ雷达)、均匀形变区(Ⅱ雷达),分析了滑坡复活区整体和局部滑塌地表形变速率、累积位移变化趋势和主裂缝形变情况。同时实地进行了工程地质调查和复核,发现老滑坡复活区变形迹象与SBAS-InSAR技术解译成果有着较好的一致性。表明SBAS-InSAR技术在复杂山区地质灾害监测预警领域有较为广阔的应用前景,为类似老滑坡监测预警提供了新的思路与借鉴。     

基于MSBAS技术的金沙江上游色拉滑坡形变分析

金沙江缝合带是滑坡灾害的高发区,且具有较大的堵江威胁。以堵江风险较高的色拉滑坡为研究对象,选取高时间分辨率的升降轨Sentinel-1A/B数据,利用MSBAS InSAR技术对该滑坡展开地表形变监测研究。文章在利用不同轨道的Sentinel-1A/B获取色拉滑坡2018—2020年间的二维动态形变时间序列的基础上,分析了典型特征点形变时间序列特征。结果表明,在2018年1月—2020年4月色拉滑坡东西向累积形变最高达到165 mm,垂直向累积形变达-102 mm,滑坡体形变加速的时间点被成功地捕获。最后,分析了该滑坡的形变趋势,通过现场调查结果验证了所获得滑坡监测结果的准确性。     

三峡库区范家坪滑坡地表形变InSAR监测与综合分析

位于湖北省秭归县的范家坪滑坡是长江三峡库区干流上的大型岩质滑坡之一。阐述了高分辨率合成孔径雷达干涉测量技术(InSAR)监测滑坡地表形变的工作方法与技术体系,采用22景3m空间分辨率的TerraSAR-X数据,辅以人工反射体布设和GPS测量,对范家坪滑坡变形进行监测,发现滑坡处在缓慢匀速变形状态,其谭家河滑坡体的形变比木鱼包滑坡体更为强烈,形变最大处的雷达视线向形变速率达到300mm/a。通过综合分析滑坡区2012年大气降雨和长江水位资料,发现年度内范家坪滑坡变形受水位变化和大气降雨影响微弱。     

基于SBAS-InSAR的西宁市滑坡识别和形变监测分析

中国黄土高原滑坡灾害频发，严重威胁经济的发展及生命财产安全。利用时序合成孔径雷达干涉测量(InSAR)技术识别潜在的活动滑坡，并对其进行形变监测，有利于预防和减轻灾害造成的危害。InSAR技术具有大范围观测地表变形的能力，这里以西宁市为研究区，采用83景升轨和87景降轨Sentinel-1A雷达影像，利用小基线集(SBAS)时间序列InSAR技术，获取了研究区2019年1月至2021年11月地表形变速率以及时序形变量，共探测到74处显著形变区；结合地貌和光学影像特征，确定其中35处为活动黄土滑坡。通过对活动滑坡的时间序列形变分析，内在(工程岩组、断层)和外在(降雨)条件的共同作用，是激活不稳定边坡或加速边坡运动的主要因素。     

基于时间序列Insar的黄土高原城镇滑坡识别研究

在黄土高原城镇灾害调查的基础上,利用时间序列In SAR技术对绥德县城区的地表形变进行监测,通过影像裁剪、影像配准、地形相位估计、差分干涉、高相干点选取、相位解缠、变形提取和误差估计等数据处理手段,获取黄土高原重要城镇时间序列PS点,利用PS点的变形速率值来圈定潜在滑坡区;通过野外考察,证明时间序列In SAR技术可用于黄土高原区滑坡识别,且准确度较好,能为城镇地质灾害风险防控提供科学依据。     

基于ABC-GRNN组合模型的露天矿边坡变形预测

准确预测露天矿边坡变形是有效实现边坡临灾预警的重要保证,针对传统边坡变形预测方法无法表征和综合分析边坡变形受多种因素的影响,提出一种露天矿边坡变形的人工蜂群(ABC)算法优化广义回归网络(GRNN)组合预测模型(ABC-GRNN)。在此预测模型中,综合考虑了影响露天矿边坡变形的5个因素：开采扰动、降雨量、降雨持续时间、温度以及湿度。以山西中煤平朔安家岭露天矿为例,通过遗传算法改进BP神经网络(GA-BPNN)、支持向量机(SVM)等人工智能算法与实测变形数据进行预测效果对比分析。结果表明：ABC算法能够快速帮助GRNN寻优获取合适的传递参数,并对变形进行有效的预测。ABC-GRNN组合预测模型,将预测结果的平均绝对误差292.9 mm、平均绝对百分比误差0.691 3%及均方根误差338.9 mm分别降低到25 mm、0.043 3%和29.5 mm,说明该模型具有更高的预测精度;ABC-GRNN模型比其他模型收敛速度快,只经过7步的迭代,即可得到最小的均方误差。与其他预测模型相比较,本文模型的预测精度更高、泛化能力更强、收敛速度更快,有较高的实用价值。     

滑坡位移动实时跟踪预测

在滑坡动态观测数据时序系统建模理论方法基础上，采用限定记忆最小二乘递推法，提出滑坡位移动态跟踪预测问题，介绍了该方法的基本原理及预测步骤，通过实例的综合研究进一步证明了该动态跟踪预测方法的可行性，并达到一定的预测精度，可以对一定条件下的滑坡变形位移作出超前动态预测。