一种基于多源数据融合的边坡生态修复智能监测与预警方法与流程

本发明涉及监测与生态修复，具体涉及一种基于多源数据融合的边坡生态修复智能监测与预警方法。

背景技术：

1、随着我国基础设施建设的快速发展，公路、铁路、水利水电等工程中形成了大量裸露边坡。为恢复这些边坡的生态环境，生态修复工程得到广泛应用。然而，边坡生态修复区域通常处于复杂的地质和气候环境中，植被恢复周期长，在此期间边坡的物理稳定性和生态修复效果相互耦合、动态演化，亟需有效的监测与预警手段。目前，边坡监测主要采用单一传感器进行独立数据采集，并依赖固定阈值进行预警判断。

2、然而，现有技术仍存在以下不足：各传感器的采样频率、时间基准和空间坐标系各不相同，直接进行融合将引入较大误差；现有边坡监测方法主要关注物理稳定性指标，忽视了植被覆盖度、根系固土能力、土壤改良程度等生态修复效果指标，未能实现物理稳定性与生态修复效果的跨域协同评估，导致评估结果不全面；现有预警方法通常采用固定阈值进行风险判定，缺乏对边坡状态未来演化趋势的预测能力，无法实现超前预警，同时固定阈值难以适应边坡在冻融循环、植被恢复等过程中的缓慢变化，容易出现误报或漏报。

3、因此，需要一种能够将多源异构数据统一映射至同一风险空间进行融合、能够协同评估物理稳定性与生态修复效果、能够遵循物理规律进行超前预测的边坡生态修复智能监测与预警方法。

技术实现思路

1、本发明所要解决的技术问题是针对现有技术的不足，提供了一种基于多源数据融合的边坡生态修复智能监测与预警方法。

2、为达到上述目的，本发明采用的技术方案为：

3、一种基于多源数据融合的边坡生态修复智能监测与预警方法，包括如下步骤：

4、步骤s1、在边坡监测区域部署传感器网络，采集多源监测数据并对各传感器数据进行时空对齐，形成标准化多维监测数据矩阵；

5、步骤s2、基于所述标准化多维监测数据矩阵提取物理稳定性分量和生态修复效果分量，将各分量分别加权融合得到物理稳定性综合指数和生态恢复度指数；

6、步骤s3、将所述物理稳定性综合指数和所述生态恢复度指数分别输入至两个独立的lstm预测模型，输出未来第7天的物理稳定性指数预测值和生态恢复度指数预测值；

7、步骤s4、基于当前物理稳定性综合指数、当前生态恢复度指数以及所述未来第7天的物理稳定性指数预测值和生态恢复度指数预测值，计算四维综合生态安全预警指数，并根据所述四维综合生态安全预警指数的数值进行风险等级判定和预警信息输出；

8、步骤s5、根据预警触发后的验证结果，采用自适应学习规则动态更新预警阈值参数。

9、进一步地，所述步骤s1中，所述传感器网络包括用于获取土壤体积含水率的土壤墒情传感器、用于获取地表水平位移的位移传感器、用于获取降雨强度的雨量计、用于获取植被覆盖度的多光谱传感器、用于获取根系生物量的生物传感器以及用于获取土壤有机质含量的土壤化学传感器；所述时空对齐处理包括在时间维度上以天为间隔进行插值对齐，在空间维度上建立统一的空间坐标系，使所有监测数据与具体的空间位置相关联。

10、进一步地，所述步骤s2中，所述物理稳定性分量具体包括：位移状态分量、水文响应分量和力学状态分量；

11、所述位移状态分量的计算方式为：将第t天的地表水平位移速率除以位移速率归一化基准值后经指数型归一化得到绝对速率项，将第t天的地表水平位移速率除以过去30天位移速率的移动算术平均值后经指数型归一化得到相对速率项，取所述绝对速率项与所述相对速率项的算术平均值作为位移状态分量；

12、所述水文响应分量的计算方式为：计算第t天的土壤体积含水率与最优含水率的绝对差值，除以历史含水率最大值与最小值的差值，再乘以季节性调节系数，得到含水率偏离度项；计算滞后风险因子，所述滞后风险因子为以自然常数为底、以降雨峰值与深层含水率峰值的滞后时间除以滞后时间归一化基准值的相反数为指数的指数函数；将所述含水率偏离度项与所述滞后风险因子相加后取上限截断，得到水文响应分量；

13、所述力学状态分量的计算方式为：计算安全系数风险映射项，所述安全系数风险映射项为以安全系数敏感系数乘以第t天的安全系数与临界安全系数阈值的差值为自变量的s型函数的倒数；计算冻融额外风险项，所述冻融额外风险项为冻融影响调节系数乘以第t天的冻融劣化系数；将所述安全系数风险映射项与所述冻融额外风险项相加后取上限截断，得到力学状态分量。

14、进一步地，所述步骤s2中，所述生态修复效果分量具体包括：植被覆盖分量、根系固土分量和土壤改良分量；

15、其中，所述植被覆盖分量的计算方式为：计算覆盖度水平与生长速率修正因子的乘积作为指数内部值，以自然常数为底、以所述指数内部值的相反数为指数的指数函数作为植被覆盖分量；

16、所述根系固土分量的计算方式为：计算1减去第t天的根系等效粘聚力增量除以设计目标根系粘聚力增量的比值，得到粘聚力增量亏缺率；计算1减去第t天的根长密度除以设计目标根长密度的比值，得到根长密度亏缺率；将所述粘聚力增量亏缺率乘以第一权重系数，加上所述根长密度亏缺率乘以第二权重系数，得到根系固土分量；

17、所述土壤改良分量的计算方式为：计算第t天的土壤有机质含量减去初始土壤有机质含量的差值，除以设计目标土壤有机质含量减去初始土壤有机质含量的差值，得到归一化改良进度值；以1加上以自然常数为底、以所述归一化改良进度值的相反数为指数的指数函数的倒数作为土壤改良分量。

18、进一步地，所述步骤s3中，两个独立的lstm预测模型的输入均为对应指数在过去30天的序列值及同步的30天降雨强度序列，输出均为未来第7天的预测值；每个lstm预测模型的网络架构为两层lstm加两层全连接层，第一层lstm含64个单元，第二层lstm含32个单元，dropout率均为0.2，全连接层分别为16个单元和8个单元，输出层为1个单元且激活函数为sigmoid。

19、进一步地，所述步骤s3中，对应于物理稳定性综合指数的lstm预测模型采用第一复合损失函数进行训练，所述第一复合损失函数包括均方误差项、物理一致性约束项和趋势一致性约束项；对应于生态恢复度指数的lstm预测模型采用第二复合损失函数进行训练，所述第二复合损失函数包括均方误差项、趋势一致性约束项和生态协同约束项。

20、进一步地，所述步骤s3中，所述物理一致性约束项用于惩罚物理稳定性指数预测值增大而安全系数预测值也增大的预测结果；所述趋势一致性约束项用于惩罚预测趋势与过去7天真实趋势相反的预测结果；所述生态协同约束项用于惩罚物理稳定性指数预测值超出由生态恢复度指数预测值决定的物理风险容许上限的预测结果；所述物理风险容许上限为无植被条件下的基础物理风险上限乘以以自然常数为底、以生态耦合衰减系数乘以未来第7天生态恢复度指数预测值的相反数为指数的指数函数。

21、进一步地，所述步骤s4中，所述四维综合生态安全预警指数的计算方式为：将当前物理稳定性综合指数乘以第一权重，加上未来第7天物理稳定性指数预测值乘以第二权重，加上当前生态恢复度指数乘以第三权重，加上未来第7天生态恢复度指数预测值乘以第四权重，所述第一权重、第二权重、第三权重和第四权重均为正数且四者之和为1。

22、进一步地，所述步骤s4中，风险等级判定的具体方式为：当所述四维综合生态安全预警指数低于第一预设阈值时判定为低风险；当所述四维综合生态安全预警指数大于或等于第一预设阈值且小于第二预设阈值，且未来第7天物理稳定性指数预测值大于当前物理稳定性综合指数且差值超过预设差值阈值时判定为中风险；当所述四维综合生态安全预警指数大于或等于第二预设阈值且小于第三预设阈值时判定为高风险；当所述四维综合生态安全预警指数大于或等于第三预设阈值时，或未来第7天物理稳定性指数预测值在过去三个连续时刻均呈单调递增且累计增幅超过预设百分比阈值时，或未来第7天生态恢复度指数预测值在过去三个连续时刻均呈单调递减趋势时，判定为极高风险。

23、进一步地，所述步骤s5中，自适应学习规则具体包括：将当前四维综合生态安全预警指数与当前预警阈值向量的偏差乘以预设自适应学习率，得到阈值修正量，将所述阈值修正量叠加至当前预警阈值向量上得到更新后的预警阈值向量；两个lstm预测模型采用滚动窗口在线调整策略，每获得7个新时刻的监测数据后加入训练集并剔除最旧的7个样本，以初始学习率的10%进行增量训练。

24、相比于现有技术，本发明的有益效果如下：

25、1、本发明通过将位移速率、含水率偏离度、安全系数等不同量纲、不同物理机制的原始监测数据，分别经指数型归一化、映射转换为无量纲风险贡献值，解决了多源异构数据融合时的量纲不一致问题。

26、2、本发明在物理稳定性评估方面，位移分量引入速率比区分季节性波动与异常加速，水文分量引入季节性调节系数反映冻土消融期特殊响应，力学分量引入冻融劣化系数量化冻融循环对强度的渐进劣化效应，克服了传统方法忽视冻融累积损伤的缺陷。

27、3、本发明在生态修复效果评估方面，植被覆盖分量引入生长速率因子体现植被恢复的动态进步性，根系固土分量从粘聚力增量和根长密度两个维度综合评估固土强度与空间分布，土壤改良分量量化有机质恢复进度，弥补了传统评估忽视土壤基底条件的不足。

28、4、本发明首次将物理一致性约束和生态协同约束嵌入lstm预测模型的损失函数，使预测结果严格遵循风险上升则安全系数下降的力学规律，并使物理预测与生态预测相互校验，克服了纯数据驱动模型预测结果可能违反物理常识的根本缺陷。

29、5、本发明构建的四维综合生态安全预警指数将当前与未来的物理风险、生态风险统一纳入评价，实现超前7天分级预警，并建立自适应阈值更新与模型在线微调机制，保障了长期监测的持续可靠性。