一种滑坡变形预测方法、装置、设备及存储介质与流程

本发明涉及地质灾害预测，尤其是指一种滑坡变形预测方法、装置、设备及计算机存储介质。

背景技术：

1、滑坡变形预测通常依赖insar、gnss等监测手段与深度学习模型的协同，通过对多源监测数据进行处理，结合时序预测模型（如神经网络）实现位移预测。

2、现有技术存在以下缺陷：

3、忽略滑坡变形的时空异质性：滑坡不同区域对外界因素（如水位波动、降雨）的响应强度和响应滞后时间存在显著差异，现有方法多采用同质化处理，导致预测偏差较大。

4、难以捕捉空间相关性：现有单点预测模型无法有效融合滑坡全域多个监测点之间的空间依赖关系，难以实现高精度的全域变形预测。

5、非平稳时序数据建模能力不足：滑坡变形序列具有趋势性、周期性和非平稳性特征，现有模型难以同时有效建模这些不同特性的分量，影响预测精度。

技术实现思路

1、为此，本发明所要解决的技术问题在于克服现有技术中忽略滑坡变形时空异质性、难以捕捉空间相关性以及难以有效处理非平稳变形序列的问题。

2、为解决上述技术问题，本发明提供了一种滑坡变形预测方法，包括：

3、获取滑坡区域的多源监测数据，并对所述多源监测数据进行预处理，得到统一时间分辨率的位移序列数据和外界诱发因素序列数据；

4、根据所述位移序列数据和所述外界诱发因素序列数据，计算各监测点的响应强度和响应滞后时间，并将所述响应强度和所述响应滞后时间量化为时空异质性特征向量，其中，所述响应强度用于表征位移对外界因素变化的敏感程度，所述响应滞后时间用于表征位移对外界因素变化的延迟响应特性；

5、以监测点为节点，基于空间距离或响应相似性构建图结构，将各节点的历史位移序列、外界诱发因素序列和所述时空异质性特征向量融合为节点特征，通过图卷积网络进行空间信息融合，得到融合空间相关性的节点特征表示；

6、对每个监测点的位移序列进行时序分解，得到趋势分量、周期分量和不规则分量，分别对所述趋势分量、所述周期分量和所述不规则分量进行预测，并将各分量的预测结果叠加，得到最终的位移预测值。

7、优选地，所述获取滑坡区域的多源监测数据，并对所述多源监测数据进行预处理，得到统一时间分辨率的位移序列数据和外界诱发因素序列数据包括：

8、获取滑坡区域的星载或地基雷达干涉测量时序位移数据、全球导航卫星系统单点位移数据，以及水文气象类诱发因素数据作为多源监测数据；

9、对所述多源监测数据进行异常值剔除和插值处理，并将所有数据统一至相同的时间分辨率，得到统一时间分辨率的位移序列数据和外界诱发因素序列数据。

10、优选地，所述根据所述位移序列数据和所述外界诱发因素序列数据，计算各监测点的响应强度和响应滞后时间，并将所述响应强度和所述响应滞后时间量化为时空异质性特征向量包括：

11、采用能够衡量线性与非线性关联的相关性分析方法，计算各监测点位移序列与外界诱发因素序列之间的相关性强度作为所述响应强度；

12、通过将外界诱发因素序列相对于位移序列进行时域滑动并计算相关系数的方式，确定相关系数最大时所对应的滑动时延作为所述响应滞后时间。

13、优选地，所述以监测点为节点，基于空间距离或响应相似性构建图结构，将各节点的历史位移序列、外界诱发因素序列和所述时空异质性特征向量融合为节点特征，通过图卷积网络进行空间信息融合，得到融合空间相关性的节点特征表示包括：

14、以雷达干涉测量监测点为节点，基于监测点间的空间距离与预设阈值的关系构建邻接关系，形成空间图结构；将每个节点的历史位移序列、外界诱发因素序列和所述时空异质性特征向量进行融合，作为该节点的初始特征；

15、采用至少一层图卷积网络对所述空间图结构进行空间信息融合，得到融合空间相关性的节点特征表示。

16、优选地，所述图结构是以监测点为节点、以监测点间空间邻近性为边确定的邻接图，其中，所述空间邻近性基于监测点间的大地测量距离与预设阈值的关系确定。

17、优选地，所述对每个监测点的位移序列进行时序分解，得到趋势分量、周期分量和不规则分量，分别对所述趋势分量、所述周期分量和所述不规则分量进行预测，并将各分量的预测结果叠加，得到最终的位移预测值包括：

18、采用基于局部加权回归的季节性趋势分解算法，将每个监测点的位移序列分解为趋势分量、周期分量和不规则分量；

19、采用长短期记忆网络对所述趋势分量进行预测，采用周期函数拟合方式对所述周期分量进行预测，以及对所述不规则分量进行小波降噪后采用长短期记忆网络进行预测；

20、将各分量的预测结果加权求和，得到最终的位移预测值。

21、优选地，还包括：

22、采用自回归方式进行滚动预测，即每次预测下一个时间步的位移值，并将该预测值纳入历史序列用于后续时间步的预测；

23、采用序列中前部时间步的数据作为训练集，后部时间步的数据作为测试集；采用均方根误差、平均绝对误差和/或平均绝对百分比误差作为评估指标，对模型预测性能进行评估。

24、本发明还提供了一种滑坡变形预测装置，包括：

25、数据获取与预处理模块，用于获取滑坡区域的多源监测数据，并对所述多源监测数据进行预处理，得到统一时间分辨率的位移序列数据和外界诱发因素序列数据；

26、时空异质性特征提取模块，用于根据所述位移序列数据和所述外界诱发因素序列数据，计算各监测点的响应强度和响应滞后时间，并将所述响应强度和所述响应滞后时间量化为时空异质性特征向量；

27、图神经网络空间融合模块，用于以监测点为节点，基于空间距离或响应相似性构建图结构，将各节点的历史位移序列、外界诱发因素序列和所述时空异质性特征向量融合为节点特征，通过图卷积网络进行空间信息融合，得到融合空间相关性的节点特征表示；

28、时序分解与分量预测模块，用于对每个监测点的位移序列进行时序分解，得到趋势分量、周期分量和不规则分量，分别对所述趋势分量、所述周期分量和所述不规则分量进行预测，并将各分量的预测结果叠加，得到最终的位移预测值。

29、本发明还提供了一种滑坡变形预测设备，包括：

30、存储器，用于存储计算机程序；

31、处理器，用于执行所述计算机程序时实现上述一种滑坡变形预测方法步骤。

32、本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种滑坡变形预测方法的步骤。

33、本发明的上述技术方案相比现有技术具有以下优点：

34、本发明所述的滑坡变形预测方法，通过计算各监测点的响应强度和响应滞后时间并量化为时空异质性特征向量，能够充分考虑滑坡不同区域对外界诱发因素响应的差异，避免了同质化处理带来的预测偏差；通过构建图结构并利用图卷积网络进行空间信息融合，有效捕捉了监测点之间的空间相关性，实现了全域高精度变形预测；进一步通过对位移序列进行时序分解并分别预测各分量，能够针对趋势性、周期性和非平稳性特征分别建模，提升了复杂变形序列的预测精度与鲁棒性。