2. 西部矿产资源与地质工程教育部重点实验室,西安市雁塔路126号,710054;
3. 中国电建集团西北勘测设计研究院有限公司,西安市丈八东路18号,710065
为掌握滑坡体发育状态,并及时采取有效防护措施,降低灾害影响程度[1],开展坡体形变的长期监测和中短期精准预测工作十分必要。许多学者通过相似模拟、数理统计等方法实现了对滑坡位移的中短期趋势预测[2],但这些预测方法具有局限性。采用机器学习方法搭建的预测模型表现出良好的预测效果,而用于模型分析的基础监测数据是准确预测结果的保障[3]。采用传统地面及全球导航卫星系统(GNSS)获得的滑坡体长期形变监测结果仍停留在点数据层面,只能小范围量化滑坡发育状态和运动趋势[4]。合成孔径雷达干涉测量技术(InSAR)具有全天候、全天时、非接触、高精度获得面状地表微小形变等优势,成本低、效率高[5],是当前滑坡监测的重要手段。
时序InSAR技术可获取高精度滑坡位移时间序列结果,为滑坡位移预测提供可靠的数据支撑[6]。目前,基于InSAR技术进行滑坡位移预测的基本思路是对InSAR观测的滑坡位移时间序列进行分解,将各子序列通过不同方法进行预测,重构得到滑坡总位移预测结果[7]。该结果虽分解了滑坡位移预测结果的时间序列,但基于现有InSAR监测数据的机器学习预测研究中对周期项(外因)和趋势项(内因)数据特征的关注较少。本文以云南昭通地区吉那古滑坡为例,基于InSAR技术获取2018-01~2021-12位移时间序列结果,并利用python语言中的statsmodels函数分解出序列的趋势项、周期项及残差项,采用GRU、LSTM、SVM、ARIMA等4种模型对趋势项及周期项的位移预测精度进行分析,在此基础上提出一种基于InSAR反演结果和GRU-ARIMA组合的滑坡体位移预测模型。实验证明,该组合模型具有较高的预测精度,可为相关滑坡位移预测研究提供参考。
1 研究区概况与数据来源 1.1 研究区概况吉那古滑坡体位于云南省昭通市巧家县城南部金沙江右岸,与金沙江相距8 km,小江断裂与昭通-鲁甸断裂带相交于此,其中小江断裂带是青藏高原东南缘最活跃的左旋走滑断裂带[8]。研究区及周边地震频发,构造运动强烈,2014年至今共发生5.0级以上地震6次[9];年平均降雨量约为120 mm,降雨集中在夏季7~8月。
吉那古滑坡体总量达4.5×106 m3,高程为1 193~1 883 m,倾角为10°~60°,纵长约1.2 km,宽约0.8 km,呈簸箕形。坡体整体倾向SE,根据形变特征将其划分为后缘(Ⅰ区)、中段(Ⅱ区)、前缘(Ⅲ区)3个主要区域(图 1),其中后缘滑动方向为SW,中段和前缘为SE。
本文选用欧空局2014年发射的C波段对地观测卫星Sentinel-1A的152景SAR影像数据,时间范围为2018-01~2022-12,时间间隔为12 d,采用30 m分辨率的ALOS World 3D (AW3D30) DEM计算研究区SAR数据的叠掩与阴影区域,并将DEM作为外部数据以消除干涉图中的地形相位,使用精密轨道卫星星历(POD)数据辅助Sentinel-1A进行预处理,以改正基线误差。
2 原理与方法 2.1 SBAS-InSAR技术为获取吉那古滑坡体形变时间序列,本文采用小基线集干涉测量(SBAS-InSAR)技术,其基本思路是选取多个主影像组合成时空基线较短的干涉对,以提高干涉图的相干性,并基于干涉对中高相干点反演出时间序列的形变信息[10]。该方法能够在一定程度上克服时空失相干的不利影响,提高地表形变监测点的时空密度[11]。
2.2 差分自回归移动平均模型差分自回归移动平均模型(ARIMA)是一种传统的时间序列预测方法,本文应用该模型完成累积形变时间序列中的趋势项预测任务。
2.3 机器学习方法 2.3.1 支持向量机支持向量机(SVM)是一种非线性回归预测方法,通过非线性变换将输入变量映射到一个高维线性特征空间,同时构造最优决策函数,利用原空间的核函数置换高维特征空间中的点积运算,应用样本的学习训练得到最优解[12]。
2.3.2 长短时记忆网络长短时记忆网络(LSTM)是一种特殊的循环神经网络(RNN),可解决RNN模型中记忆力衰减及梯度爆炸的问题[13]。LSTM模型引入3个门来控制信息的传递,分别为遗忘门ft、输入门it和输出门ot。
2.3.3 门控循环单元门控循环单元(GRU)的单元结构是在LSTM模型基础上,通过重新整合,组成复位门(rt)和更新门(zt)。与LSTM相比,GRU结构更简单、参数较少,计算效率相对较高[14]。本文应用GRU模型完成累积形变时间序列中的周期项预测工作。
3 吉那古滑坡地表形变监测与分析图 2为数据处理过程中吉那古滑坡未裁剪前及裁剪放大后的年平均形变速率分布,其中正值代表目标地物靠近卫星方向,负值代表目标地物远离卫星方向。为验证InSAR技术监测结果的可靠性,选取无植被覆盖且地形舒缓平坦的基岩区作为形变参考区,如图 2(a)所示。经计算,其年均形变速率统计直方图如图 3所示,形变速率为-4.433~9.029 mm/a,平均值为1.035 mm/a,基本符合稳定区形变速率为0的假设。经统计,数据点标准差为1.826 mm/a,内符合精度较高。结合图 3可知,SBAS-InSAR技术监测结果较为可靠。
由图 2(b)可见,吉那古滑坡体后缘(Ⅰ区)形变强度最大,LOS向最大形变速率可达-56 mm/a,位于黑色圈内;坡体中段(Ⅱ区)相比于后缘形变强度较小,前缘(Ⅱ区)较稳定。图 4为吉那古滑坡LOS向累积形变时间序列分布,结果显示,2018-04出现形变,形变区域主要在滑坡后缘和中段,与图 3中形变速率结果基本一致,且随时间推移形变量不断累加,形变体不断扩大。
根据形变速率及时间序列结果,在Ⅰ区形变强度最大的黑色圈中选取10个点提取2018-01~2021-12形变时间序列,为防止某个单独形变时间序列点数据出现跳变等偶然误差,取形变时间序列平均值,本文中称为P区形变时间序列。这些点的预测值代表吉那古滑坡形变强度最大区域的形变趋势,间接代表滑坡体整体的形变趋势。图 5为滑坡形变时序结果与月降雨量的耦合关系,可见P区形变时间序列整体呈持续形变趋势。由于每年6~9月降雨量呈跨越式增加,形变速率也随之增强,而非雨季坡体形变相对平缓,因此可推断吉那古滑坡形变受降雨的影响,累积形变量存在季节性变化特征。
在解缠误差、大气延迟等噪声干扰下,InSAR干涉图获取的形变时间序列存在无规律的波动,甚至会出现锯齿状突变,为避免误差对滑坡形变趋势预测的影响,需要对InSAR获取的坡体形变时序数据进行平滑处理。常见的平滑方法有移动平均法、指数滑动平均法、最小二乘法等,其中移动平均法可通过调整移动窗口大小得到预期的平滑值[15]。
4.1.2 形变时间序列分解滑坡体形变速率随时间变化而变动,因此可将滑坡形变量看作是一个非线性的时间序列。本文采用python语言中的statmodels函数,将InSAR观测的形变时间序列分解为趋势项、周期项和残差项,分解结果如图 6所示。结果表明,P区形变时间序列趋势项数据呈持续下降趋势,周期项结果表明,P区形变时间序列存在以a为单位的季节性周期变化。
共选取ARIMA、SVM、LSTM、GRU四种模型参与滑坡位移时间序列中周期项和趋势项的预测,并对比模型精度指标。将利用SBAS-InSAR技术获取的吉那古滑坡P区2018-01~2021-12形变时间序列数据作为样本,对模型进行训练,并将样本数据划分比例为3 ∶1的训练集和测试集。经网络寻优后,GRU和LSTM模型设置最佳参数组合为:网络层数为2,隐藏节点数N为50。SVM的参数惩罚因子c和超参数gamma分别设为4.0、0.8。
对于ARIMA模型,将非平稳项通过一阶差分转化为平稳时间序列,并采用单位根检验(ADF)来验证形变时间序列是否平稳,求得其自相关系数(ACF)和偏自相关系数(PACF),最终确定周期项和趋势项ARIMA(2, 1, 2)和ARIMA(3, 1, 3)两个最佳模型,得到ARIMA模型进行形变时序预测。
4种模型对测试集周期项和趋势项的预测结果分别如图 7和8所示,精度指标评定结果见表 1。结果表明,在周期项和趋势项测试中,4种预测方法均取得了较好的预测结果。其中,GRU在周期项测试集中的精度最高,RMSE达0.564 mm,R2达0.979 mm;其次为LSTM,RMSE为1.137 mm,R2为0.917 mm。GRU是在LSTM基础上简化后的模型,只有更新门和重置门,且在实验过程中的收敛速度远高于LSTM,消耗的时间更少,因此GRU更适用于周期项地表形变时间序列预测。
在趋势项预测中,ARIMA的RMSE达0.875 mm,R2达0.997 mm,精度最高,GRU和LSTM的测试精度相较于ARIMA差。原因是ARIMA基于滑动平均和自回归,其预测值与历史平均值接近[16],因此当真实值波动较平稳时,采用ARIMA预测更适用。由于LSTM对过往数据都会存到“记忆神经”,即遗忘门、输入门、输出门中,GRU也会存到复位门和更新门中,所以对于波动强烈的数据,GRU和LSTM更适用。由此可知,可采用ARIMA模型预测形变时间序列趋势项,用GRU模型预测周期项。
4.3 GRU-ARIMA组合模型预测结合4种模型预测精度评定及模型优劣性对比分析结果,本文提出基于InSAR反演结果和GRU-ARIMA组合的滑坡体位移预测模型。将GRU、ARIMA预测的2022年位移时间序列的周期项和趋势项结果相加,得到累积位移时间序列,预测结果与2022年InSAR反演结果的对比如图 9所示。吉那古滑坡P区应用GRU-ARIMA组合模型预测的2022年位移时间序列与InSAR反演数据精度评定结果为:RMSE为1.15 mm,R2为0.996 mm。将分析精度评定与图 9进行对比发现,该组合模型预测结果拟合程度较高,具有较强的可靠性。结果表明,研究区2022年仍处于整体持续下降趋势,雨季形变强烈。另外,由于滑坡体与吉那古村居民居住地相距较近,前缘与金沙江支流大白水相邻,若发生滑坡将对下游水电设施造成威胁。结合光学影像分析发现,坡体已经出现拉裂现象,建议后续加强对吉那古滑坡体的监测,以防范可能发生的大面积垮塌风险。
本文在利用InSAR观测技术获取滑坡形变时间序列的基础上,拓展了一种基于GRU深度学习和ARIMA传统统计学的滑坡位移组合预测模型,并将模型应用于云南昭通地区吉那古滑坡位移预测分析,得出以下结论。
1) 应用InSAR技术监测得到吉那古滑坡体整体呈持续变形趋势,其周期性形变受降雨量的影响,为滑坡位移预测提供了可靠的形变时间序列数据。
2) 通过GRU、LSTM、SVM、ARIMA四种模型对吉那古滑坡形变时序周期项和趋势项进行预测,结果表明GRU周期项的精度最高,RMSE为0.546 mm,更适合数据波动强烈的周期项预测;而ARIMA趋势项的精度最高,RMSE为0.875 mm,更适合波动较小的趋势项预测。
3) 利用GRU-ARIMA组合模型对吉那古滑坡位移进行预测,该模型以RMSE为1.15 mm的高精度完成了预测工作,证实GRU-ARIMA组合模型在时间序列预测方面具有有效性、可靠性及工程实践性。
本文对滑坡形变趋势仅实现逐点预测,不仅耗时,且忽略了监测点间的相关性,同时仅考虑了降雨的外界因素,但滑坡的发生受多种外界因素影响,后期将建立面域及多种因素共同影响的滑坡位移预测模型。
[1] |
张勤, 黄观文, 杨成生. 地质灾害监测预警中的精密空间对地观测技术[J]. 测绘学报, 2017, 46(10): 1 300-1 307 (Zhang Qin, Huang Guanwen, Yang Chengsheng. Precision Space Observation Technique for Geological Hazard Monitoring and Early Warning[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1 300-1 307)
(0) |
[2] |
唐辉明. 重大滑坡预测预报研究进展与展望[J]. 地质科技通报, 2022, 41(6): 1-13 (Tang Huiming. Advance and Prospects of Major Landslide Prediction and Forecasting[J]. Bulletin of Geological Science and Technology, 2022, 41(6): 1-13)
(0) |
[3] |
鄢好, 陈骄锐, 李绍红, 等. 基于时间序列和GRU的滑坡位移预测[J]. 人民长江, 2021, 52(1): 102-107 (Yan Hao, Chen Jiaorui, Li Shaohong, et al. Predicting of Landslide Displacement Based on Time Series and Gated Recurrent Unit[J]. Yangtze River, 2021, 52(1): 102-107)
(0) |
[4] |
杨成生, 董继红, 朱赛楠, 等. 金沙江结合带巴塘段滑坡群InSAR探测识别与形变特征[J]. 地球科学与环境学报, 2021, 43(2): 398-408 (Yang Chengsheng, Dong Jihong, Zhu Sainan, et al. Detection, Identification and Deformation Characteristics of Landslide Groups by InSAR in Batang Section of Jinsha River Convergence Zone, China[J]. Journal of Earth Sciences and Environment, 2021, 43(2): 398-408)
(0) |
[5] |
赵永红, 王航, 张琼, 等. 滑坡位移监测方法综述[J]. 地球物理学进展, 2018, 33(6): 2 606-2 612 (Zhao Yonghong, Wang Hang, Zhang Qiong, et al. Overview of Landslide Displacement Monitoring Methods[J]. Progress in Geophysics, 2018, 33(6): 2 606-2 612)
(0) |
[6] |
李振洪, 宋闯, 余琛, 等. 卫星雷达遥感在滑坡灾害探测和监测中的应用: 挑战与对策[J]. 武汉大学学报: 信息科学版, 2019, 44(7): 967-979 (Li Zhenhong, Song Chuang, Yu Chen, et al. Application of Satellite Radar Remote Sensing to Landslide Detection and Monitoring: Challenges and Solutions[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 967-979)
(0) |
[7] |
郭澳庆, 胡俊, 郑万基, 等. 时序InSAR滑坡形变监测与预测的N-BEATS深度学习法: 以新铺滑坡为例[J]. 测绘学报, 2022, 51(10): 2 171-2 182 (Guo Aoqing, Hu Jun, Zheng Wanji, et al. N-BEATS Deep Learning Method for Landslide Deformation Monitoring and Prediction Based on InSAR: A Case Study of Xinpu Landslide[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(10): 2 171-2 182)
(0) |
[8] |
管新邦. 云南省滑坡地质灾害危险性评价研究[D]. 北京: 中国矿业大学(北京), 2018 (Guan Xinbang. Study on Risk Assessment of Landslide in Yunnan Province[D]. Beijing: China University of Mining and Technology, 2018)
(0) |
[9] |
彭登靖. 昭通地震中心站YRY-4钻孔应变仪观测数据干扰分析[J]. 地震地磁观测与研究, 2022, 43(4): 106-114 (Peng Dengjing. Analysis of Observation Data of YRY-4 Borehole Strain Gauge at Zhaotong Central Seismic Station[J]. Seismological and Geomagnetic Observation and Research, 2022, 43(4): 106-114)
(0) |
[10] |
闫怡秋, 郭长宝, 钟宁, 等. 基于InSAR形变监测的四川甲居古滑坡变形特征[J]. 地球科学, 2022, 47(12): 4 681-4 697 (Yan Yiqiu, Guo Changbao, Zhong Ning, et al. Deformation Characteristics of Jiaju Ancient Landslide Based on InSAR Monitoring Method, Sichuan, China[J]. Earth Science, 2022, 47(12): 4 681-4 697)
(0) |
[11] |
冯文凯, 顿佳伟, 易小宇, 等. 基于SBAS-InSAR技术的金沙江流域沃达村巨型老滑坡形变分析[J]. 工程地质学报, 2020, 28(2): 384-393 (Feng Wenkai, Dun Jiawei, Yi Xiaoyu, et al. Deformation Analysis of Woda Village Old Landslide in Jinsha River Basin Using SBAS-InSAR Technology[J]. Journal of Engineering Geology, 2020, 28(2): 384-393)
(0) |
[12] |
宋雨洋, 郝利娜, 严丽华, 等. 支持向量机在滑坡识别中的应用[J]. 兰州大学学报: 自然科学版, 2022, 58(6): 727-734 (Song Yuyang, Hao Lina, Yan Lihua, et al. Application of the Support Vector Machine in Landslide Identification[J]. Journal of Lanzhou University(Natural Sciences), 2022, 58(6): 727-734)
(0) |
[13] |
李丽敏, 张明岳, 温宗周, 等. 基于奇异谱分析法和长短时记忆网络组合模型的滑坡位移预测[J]. 信息与控制, 2021, 50(4): 459-469 (Li Limin, Zhang Mingyue, Wen Zongzhou, et al. Landslide Displacement Prediction Based on Singular Spectrum Analysis and a Combined Long Short-Term Memory Neural Network Model[J]. Information and Control, 2021, 50(4): 459-469)
(0) |
[14] |
罗袆沅, 蒋亚楠, 许强, 等. 基于最优分解模态和GRU模型的库岸滑坡位移预测研究[J]. 武汉大学学报: 信息科学版, 2023, 48(5): 702-709 (Luo Huiyuan, Jiang Yanan, Xu Qiang, et al. Displacement Prediction of Reservoir Bank Landslide Based on Optimal Decomposition Mode and GRU Model[J]. Geomatics and Information Science of Wuhan University, 2023, 48(5): 702-709)
(0) |
[15] |
刘晓杰. 星载雷达遥感广域滑坡早期识别与监测预测关键技术研究[D]. 西安: 长安大学, 2022 (Liu Xiaojie. Research on Key Technologies of Early Identification, Monitoring and Prediction of Wide-Area Landslide by Spaceborne Radar Remote Sensing[D]. Xi'an: Chang'an University, 2022)
(0) |
[16] |
张利. 基于时间序列ARIMA模型的分析预测算法研究及系统实现[D]. 镇江: 江苏大学, 2008 (Zhang Li. Research and System Implementation of Analysis and Prediction Algorithm Based on ARIMA Model of Time Series[D]. Zhenjiang: Jiangsu University, 2008)
(0) |
2. Key Laboratory of Western China's Mineral Resources and Geological Engineering, Ministry of Education, 126 Yanta Road, Xi'an 710054, China;
3. Power China Northwest Engineering Corporation Limited, 18 East-Zhangba Road, Xi'an 710065, China