生态与环境

基于SBAS-InSAR技术及LSTM神经网络的席芨滩巨型滑坡形变监测及预测

  • 李帅飞 , 1 ,
  • 刘昌义 , 1 ,
  • 胡夏嵩 1 ,
  • 唐彬元 2, 3 ,
  • 吴志杰 1 ,
  • 邓太国 1 ,
  • 邢光延 4 ,
  • 赵吉美 4 ,
  • 雷浩川 1
展开
  • 1.青海大学地质工程学院,青海 西宁 810016
  • 2.青海省地质测绘地理信息院,青海 西宁 810001
  • 3.青海省高原测绘地理信息新技术重点实验室,青海 西宁 810001
  • 4.青海大学农牧学院,青海 西宁 810016
刘昌义. E-mail:

李帅飞(1998-),男,硕士研究生,主要从事遥感技术应用等方面的研究工作. E-mail:

收稿日期: 2024-11-14

  修回日期: 2025-01-24

  网络出版日期: 2025-08-12

基金资助

国家自然科学基金项目(42041006)

第二次青藏高原综合科学考察研究项目(2019QZKK0905)

青海省自然科学基金项目(2020-ZJ-906)

Deformation monitoring and prediction of Xijitan giant landslide based on SBAS-InSAR technology and long short-term memory neural network

  • LI Shuaifei , 1 ,
  • LIU Changyi , 1 ,
  • HU Xiasong 1 ,
  • TANG Binyuan 2, 3 ,
  • WU Zhijie 1 ,
  • DENG Taiguo 1 ,
  • XING Guangyan 4 ,
  • ZHAO Jimei 4 ,
  • LEI Haochuan 1
Expand
  • 1. School of Geological Engineering, Qinghai University, Xining 810016, Qinghai, China
  • 2. Qinghai Institute of Geological Surveying and Mapping Geographic Information, Xining 810001, Qinghai, China
  • 3. Qinghai Provincial Key Laboratory of New Geographic Information Technology for Plateau Surveying and Mapping, Xining 810001, Qinghai, China
  • 4. College of Agriculture and Animal Husbandry, Qinghai University,Xining 810016, Qinghai, China

Received date: 2024-11-14

  Revised date: 2025-01-24

  Online published: 2025-08-12

摘要

为研究黄河上游龙羊峡至积石峡流域两岸巨型滑坡地表形变特征及形变量预测,本研究以位于黄河上游贵德地区境内的席芨滩巨型滑坡作为研究区,利用小基线干涉测量(Small Baseline Subset Interferometric Synthetic Aperture Rader,SBAS-InSAR)技术对席芨滩巨型滑坡开展地表形变监测,探讨了2019—2022年滑坡地表形变速率及其变化特征。 结果表明:(1) 区内滑坡体最大地表形变速率为-96 mm·a-1,最大累计形变量为464.71 mm,滑坡体前缘与后缘存在明显形变区域,其地表形变速率为-96~16 mm·a-1。(2) 基于SBAS-InSAR技术得到区内滑坡体地表布设的特征点的累计形变量,其最大累计形变量为-140.50 mm。(3) 采用长短期记忆(Long Short-Term Memory,LSTM)神经网络模型进行特征点累计形变量预测,并与支持向量机(Support Vector Machine,SVM)、BP(Back Propagation)神经网络模型进行对比,LSTM神经网络模型计算得到预测结果反映出相对较高的预测精度,其绝对误差为5 mm以内,拟合优度(R2)高于0.8,反映出采用LSTM神经网络模型应用于滑坡体地表累计形变量预测有效性。研究结果可为进一步开展黄河上游巨型滑坡地表形变监测、潜在滑坡早期识别提供数据支撑和实际指导。

本文引用格式

李帅飞 , 刘昌义 , 胡夏嵩 , 唐彬元 , 吴志杰 , 邓太国 , 邢光延 , 赵吉美 , 雷浩川 . 基于SBAS-InSAR技术及LSTM神经网络的席芨滩巨型滑坡形变监测及预测[J]. 干旱区研究, 2025 , 42(6) : 1126 -1137 . DOI: 10.13866/j.azr.2025.06.15

Abstract

This study examines the surface deformation characteristics and deformation rate prediction of large-scale landslides in the upper regions of the Yellow River between the Longyang and Jishi Gorge riverbanks. The study area was the Xijitan giant landslide within the Guide region of the upper Yellow River. The Small Baseline Subset Interferometric Synthetic Aperture Rader(SBAS-InSAR)technology was employed to monitor the surface deformation of the Xijitan giant landslide and analyze, its deformation rates and variation characteristics for the period 2019-2022. The results show that the following. (1) The maximum surface deformation rate of the landslide body was -96 mm·a-1, with a maximum cumulative deformation of 464.71 mm. Distinct deformation zones were observed along the front and rear edges of the landslide body, with surface deformation rates ranging across -96-16 mm·a-1. (2) The cumulative deformation of characteristic points on a landslide body, determined using SBAS-InSAR technology, exhibited a maximum cumulative deformation of -140.50 mm. (3) The long short-term memory (LSTM) neural network model was used to predict the cumulative deformation of these points, and the results were compared with those obtained using Support Vector Machine(SVM) and Back Propagation(BP) neural network models. The LSTM model demonstrated high prediction accuracy, with an absolute error within 5 mm and a goodness-of-fit (R2) greater than 0.8. This confirmed the effectiveness of the LSTM model in predicting the cumulative surface deformation of landslides. Thus, the findings of this study provide data support and practical guidance for the enhanced monitoring of giant landslide deformation in the upper Yellow River region and the early detection of potential landslides.

黄河上游地处我国一、二级阶梯交替地带,黄河发育史塑造了区内多级侵蚀阶地和与之相伴生的多期次崩塌、滑坡、泥石流等外动力地质现象,尤以发育特大型滑坡最为显著[1]。黄河上游拉干峡—寺沟峡流域高密度发育特大型滑坡,属地质灾害的高易发区[2]。相关研究表明,黄河上游干流两岸区域内的滑坡在历史演变中曾经发生大规模滑动,造成许多堆积平台,例如位于尖扎地区境内的夏藏滩巨型滑坡,其滑坡体中后部多已被改造为居民区和农田,然而由于滑坡体自身的不稳定性,该区域在一定程度上发生居民区房屋墙体开裂、农田沉陷等系列环境地质灾害问题[3]。此外,位于尖扎盆地黄河南岸的寺门村滑坡在2018年4月发生复活[4],其结果造成马康公路、输电线路、饮水管线等严重破坏,直接经济损失约8×106元,对当地居民生命财产安全和经济建设构成严重威胁[4-5]。2019年9月青海玛沁拉加镇黄河干流发育的军功巨型古滑坡发生局部失稳,导致公路交通中断,严重威胁当地居民生命财产安全[6]。因此,对黄河上游巨型古滑坡分布区域开展地表形变监测,通过长短期记忆(Long Short-Term Memory,LSTM)神经网络模型对滑坡体地表形变进行预测,其结果对于黄河上游两岸沿线分布的巨型古滑坡体形变监测及滑坡体局部失稳早期识别具有重要意义。
随着空间大地测量技术发展,合成孔径雷达干涉测量技术(Interferometric Synthetic Aperture Radar,InSAR)以其全天时、全天候等优势被广泛应用于地表形变监测研究当中[7]。例如Yin等[8]利用小基线干涉测量(Small Baseline Subset Interferometric Synthetic Aperture Rader,SBAS-InSAR)技术对位于青藏高原的磨里滑坡开展滑坡历史形变特征识别,指出滑坡后缘在监测时间内处于持续形变状态,其形变速率为-35~35 mm·a-1;岳磊等[9]利用InSAR技术对黄河上游夏藏滩巨型古滑坡进行形变监测,将InSAR形变监测结果与实地监测数据进行对比验证,结果表明SBAS-InSAR技术能有效监测滑坡形变;Cui等[10]利用SBAS-InSAR技术对四川乐山境内永胜滑坡开展地表形变分析,指出永胜滑坡坡体发生长期蠕变变形,滑坡体地表最大形变速率为-43 mm·a-1
现有研究表明,针对滑坡形变特征信息预测更多是通过传统地面监测手段获取的地表形变数据来完成[11]。张俊等[12]以三峡库区白水河滑坡为研究对象,采用GPS位移监测数据结合PSO-SVR耦合模型进行位移预测,结果表明预测结果与实测位移变化趋势一致。随着人工智能等新兴信息技术的发展,机器学习与非线性预测模型被广泛应用于滑坡形变预测中[7]。例如,徐文正等[7]基于SBAS-InSAR时间序列数据及LSTM模型开展三峡库区范家坪滑坡地表形变监测研究,结果表明LSTM模型预测结果的相关性系数达到0.9455、0.9829,该结果明显优于BP(Back Propagation)神经网络模型、支持向量机(Support Vector Machine,SVM)模型的计算结果。Chang等[13]采用SE-CapNet模型对长江流域宜昌地区滑坡易发性进行评价,指出该模型区内滑坡识别准确率为96.29%。陈媛媛等[14]采用SBAS-InSAR技术及LSTM模型对南京段长江两岸区域开展地表形变监测,结果表明LSTM模型形变预测结果与采用InSAR监测结果具有较高一致性,两者最大绝对误差为2.66 mm。Liu等[15]采用AT-LSTM模型对山西平朔矿区进行地面沉降监测,结果表明该模型预测结果空间分布与实际情况相对一致。
综上可知,有关黄河上游巨型滑坡已展开的研究,主要表现在黄河上游巨型滑坡形成机理、发育特征及地貌演化等方面;而针对该流域巨型滑坡地表变形监测及地表形变预测方面的相关研究较为有限,且已有研究主要反映在InSAR技术对流域两岸巨型滑坡分布区地表形变提取及监测方面,而采用联合InSAR技术与LSTM神经网络模型,开展滑坡体地表形变监测及地表形变预测方面研究相对较少。因此,本研究选取位于黄河上游贵德盆地境内席芨滩巨型滑坡为研究区,通过采用SBAS-InSAR技术对席芨滩巨型滑坡分布区2019—2022年地表形变信息进行提取与分析,探讨该滑坡分布区地表形变空间分布特征;在此基础上,联合LSTM神经网络模型对区内滑坡体地表选取的代表性特征点形变趋势进行时序分析。

1 数据与方法

1.1 研究区概况

本研究选取地处青藏高原东北缘的黄河上游龙羊峡至积石峡流域内席芨滩巨型滑坡作为研究区(图1),席芨滩滑坡位于青海贵德境内黄河北岸,地理坐标为36°02′51″~36°07′48.2″N,101°24′2.1″~101°29′1.8″E,黄河南岸最高海拔为3150 m,前缘延伸至黄河岸边,海拔约2220 m,相对高差超900 m[16-17]。席芨滩滑坡分布区属典型高原大陆性气候,其特点为冬长夏短,光照时间长,太阳辐射强,区内平均气温相对较低,干旱少雨,年平均气温9.03 ℃,年平均降雨量254.80 mm,年平均日照率达59%~67%[18]
图1 研究区位置示意图

Fig. 1 Study area location

目前滑坡体长为6500 m,宽为2500 m,滑坡中部相对平缓,高程约2460~2640 m(图2[16]。此外,如图3所示,图中滑坡边界、发育期次均据王溢禧等[18]、赵淑芬等[19]等的研究,本研究略作修改,席芨滩巨型滑坡主要划分为4个发育期次[20];表现在Ⅰ期滑坡其滑距短,宽度大,滑坡后壁较陡,Ⅰ期滑体东侧被Ⅱ期滑坡体切割覆盖,西侧滑坡体得以保留;Ⅱ期滑坡为席芨滩巨型滑坡的主体部分,其堆积体方量与面积为4个发育期次中最大,Ⅱ期滑坡堆积体长约7200 m,宽约3500 m,厚约 65 m,方量为8.4×108 m3;Ⅲ期滑坡为Ⅱ期滑坡解体后形成,由于Ⅰ期滑坡具有较大高差,Ⅱ期滑坡覆盖Ⅰ期滑坡后,滑体上仍保留明显的陡坎,其为Ⅲ期滑坡的发育提供了临空条件;Ⅳ期滑坡发生于Ⅱ、Ⅲ期滑体前缘与黄河河漫滩交界处,表现为若干个现代小型滑坡[18]
图2 席芨滩巨型滑坡剖面图

Fig. 2 Profile diagram of Xijitan giant landslide

图3 席芨滩巨型滑坡发育期次分布示意图

Fig. 3 Schematic diagram of the development stages of Xijitan giant landslide

1.2 数据源与处理

本研究数据来自欧空局的Sentinel-A影像数据,获取区内2019年1月至2022年12月期间共计119景升轨数据,影像数据参数信息如表1所示[21]。此外,在研究过程中使用ASTER GDEM数据消除干涉处理中的地形相位,采用Sentinel-1A精密轨道数据(Precise Orbit Ephemerides,POD)对轨道信息进行修正,去除因轨道误差引起的系统性误差。
表1 采用的Sentinel-1A卫星影像数据信息

Tab. 1 Information on the Sentinel-1A satellite imagery used

Sentinel-1A卫星影像数据参数 影像数据参数对应值
起始时间 2019-01
终止时间 2022-12
卫星影像数量/幅 119
卫星重访周期/d 12
飞行方向 升轨
入射角/(°) 34.85°
方位角/(°) 13.15°
条带扫描模式 IW
极化方式 VV+VH

1.3 研究方法

1.3.1 SBAS-InSAR技术处理流程

为获取区内滑坡体地表形变速率,利用SBAS-InSAR技术通过将所有SAR影像划分为若干小基线集合,采用最小二乘法得到每个小基线集合的地表形变;然后,利用奇异值分解(SVD)方法对多个小基线集合进行联合求解,最后采用估算和去除大气相位的方法,以获取目标在时间序列上的形变信息[9]
对获取的Sentinel-1A影像数据进行SBAS-InSAR干涉处理,其基本处理流程可分为:数据导入与裁切、连接图生成、SBAS干涉处理、轨道精练与重去平、速率反演、地理编码,最终得到区内LOS向地表形变速率[22]。其中对输入的影像数据,根据时间基线和空间基线阈值进行配对,最终生成根据空间基线及时间基线阈值数据得到的515对干涉像对,像对连接的时间基线与空间基线特征如图4所示[23]
图4 像对连接的空间基线与时间基线特征

Fig. 4 Characteristics of spatial baseline and temporal baseline of image pair connection

1.3.2 LSTM神经网络模型

LSTM神经网络模型是一种特殊类型的循环神经网络(RNN),与传统的RNN模型相比,LSTM模型通过引入记忆细胞及三种门控机制(输入门、遗忘门和输出门),使其在处理及预测时间序列中间隔较长的重要任务时具有较好的适应性[24-25]。门控机制中遗忘门决定记忆细胞中的信息是否被遗忘,遗忘门依据上一时刻输出 h t - 1和当前输入 x t做激活函数sigmoid的非线性映射,输出向量 f t(该向量每一个维度的值都处于0至1之间,1表示完全保留,0表示完全舍弃),最后与单元状态 C t - 1相乘,输出向量 f t计算公式为[26]
f t = σ W f · h t - 1 ,   x t + b f
式中: f t为遗忘门输出; σ 为逻辑函数; W f为遗忘门的权值; h t - 1t时刻隐藏层的输出向量; x tt时刻隐藏层的输入向量; b f为偏置项[27]
输入门决定当前输入信息是否写入记忆细胞,此处包含两个部分,第一部分其输入是上一时刻隐藏层状态 h t - 1和当前时刻 x t,得到t时刻输入信息向量 C t ~,第二部分输出结果与第一部分结果相乘得到输入门控制向量 i tt时刻输入门控制向量 i t及输入信息向量 C t ~计算公式为[27]
i t = σ W i · h t - 1 ,   x i + b i
C t ~ = t a n h W c · h t - 1 ,   x t + b C
为了得到t时刻新的记忆细胞状态 C t,在此将旧单元状态 C t - 1 f t相乘,剔除确定需要剔除的信息,然后与 i t · C t ~相加得到当前时刻新的记忆细胞状态 C t。新的记忆细胞状态 C t计算公式为[27]
C t = f t · C t - 1 + i t · C t ~
式中: i tt时刻输入门的控制向量; C t ~t时刻的输入信息向量; C tt时刻隐藏层细胞状态; W i W c为权值项; b i b C为偏置项[27]
输出门决定是否将记忆细胞中的信息输出,其通过sigmoid函数确定需要输出的细胞状态信息的比例,然后将当前细胞状态 C t作为输入,经过tanh激活函数处理得到需要输出状态信息,并于通过sigmoid函数得到的输出比例相乘,获得t时刻最终输出结果 h tt时刻输出门的控制向量 o t及最终输出结果 h t的计算公式为[27]
o t = σ W o · h t - 1 ,   x t + b o
h t = o t · t a n h C t
式中: o tt时刻输出门的控制向量; W o为权值项; b o为偏置项[27]
综上可知,LSTM模型具有更好的学习长期依赖的能力,能够有效地保存和更新历史信息,因此LSTM模型更适用于处理循环神经网络中间隔较长的预测时间序列[28]

1.3.3 预测模型精度评价指标

通过采用均方根误差(Root Mean Squared Error,RMSE),拟合优度(R2)、平均绝对误差(Mean Absolute Error,MAE)等3个指标对席芨滩滑坡体区域的特征点的累计形变量预测模型进行精度评价。其中RMSE可比较不同模型之间的稳定性,MAE则可直观地衡量预测值与真实值之间的差异性,拟合优度(R2)可用来评估神经网络模型的预测值与真实值之间拟合程度,即拟合优度(R2)愈接近1,表示模型对形变数据的拟合程度愈好[29];反之当拟合优度(R2)接近于零时,表示模型的解释能力愈弱,进而导致神经网络模型的预测值与真实值之间拟合程度愈差[29]。本研究用于计算MAE、RMSE的公式为[30]
M A E = 1 N i = 1 N A t - F t
R M S E = 1 N i = 1 N A t - F t 2
式中:N为样本数量; A t为真实值; F t为预测值[30]

2 结果与分析

2.1 席芨滩滑坡形变速率特征

采用SBAS-InSAR技术得到席芨滩巨型滑坡沿LOS向地表形变速率(图5),将发生显著形变区域依次标记为H1、H2、H3、H4。2019年1月至2022年12月,滑坡体整体处于稳定状态,平均形变速率为-96~16 mm·a-1,且显著形变主要集中于滑坡体前缘及后缘,前缘最大形变速率为-70 mm·a-1,后缘为-96 mm·a-1;该结果与王溢禧等[18]、赵淑芬等[19]对席芨滩滑坡体开展地表形变速率研究的结果基本相一致,即地表形变速率变化相对剧烈的区域均位于滑坡体前缘及后缘。通过实地调查发现,显著形变区域为地形陡峭且岩土体破碎地段,伴有冲沟、裂缝等现象发育,如已发生显著形变的H4区域存在明显的拉裂缝发育现象。此外,图6为滑坡体后缘坡脚处冲沟及前缘拉裂缝发育特征,由实地调查可知,区内裂缝等次生地质灾害空间分布与采用SBAS-InSAR技术得到的滑坡体形变结果相一致。其中,拉裂缝发育区域位于滑坡体前缘(图6b),同时位于H1区域后部位置处,该地表拉裂缝走向为北东—南西走向,裂缝走向与坡体形变方向之间基本呈斜交状分布,镜向方向约为北东70°方向(图6b),该区域形变速率约为-50~-35 mm·a-1图5)。
图5 席芨滩滑坡体地表形变速率及特征点位置示意图

Fig. 5 Schematic diagram of the surface deformation rate and characteristic point locations of the Xijitan landslide

图6 研究区滑坡体冲沟与裂缝发育特征

Fig. 6 Development characteristics of gully and fissure in the landslide body of the study area

依据已有研究,席芨滩巨型滑坡主要划分为4个发育期次[20];其中H1区域处于Ⅱ期滑坡体上,其中心区域形变速率相对较高为-70 mm·a-1,且形变速率由中心向边缘逐渐减小。另外,通过野外现场调查得到,H1区域中部位置地形呈凹陷状分布,部分区域坡体地表发生溃滑;区域内发育规模较大的冲沟,同时发育多条拉裂缝现象(图6b)。
相应地,H2区域则位于席芨滩Ⅲ期滑坡体上,该区域内整体形变趋势与H1区域保持一致(图7图5),表现在两者皆为中心区域形变速率相对较高,且由中心向四周形变速率呈逐渐降低的变化趋势,即中心区域年平均形变速率为-70~-50 mm·a-1;H2区域地表地形呈阶梯状分布,该区域后部发育张开度较小的拉裂缝(图7a);该区域中部位置处发育多处崩塌以及次级滑坡现象,其结果造成该区域地表地形呈破碎状,且发育多级拉张裂缝分布现象(图7b)。
图7 研究区H2区域拉裂缝及其分布特征

Fig. 7 Tensile fractures and their distribution characteristics in the H2 area of the study area

H4区域位于席芨滩Ⅱ期滑坡体上(图8图5),H4区域南部及北部形变速率较大,南部最大形变速率为-96 mm·a-1,北部最大形变速率为-96~-70 mm·a-1。野外实地调查表明,该区域中部发育多条冲沟以及多级下错台阶,其中,滑坡体坡脚位置发育南北向大型冲沟贯穿区内滑坡主体,冲沟发育方向为北西—南东走向,多级台阶表现为沿滑坡体后缘至前缘方向平行分布。此外,冲沟区域位于滑坡体后缘,同时位于H4区域中部位置处,其形变速率约为-70~-50 mm·a-1。同时该区域存在大面积滑塌现象,区域前端发育多级拉张裂缝,且其具有向后延伸的趋势。通过采用InSAR技术及实地调查对该滑坡体地表开展形变监测,结果表明,H4区域地表形变较为明显,其部分区域形变速率达-96~-70 mm·a-1。赵淑芬等[19]对席芨滩滑坡H4区域监测结果为-86~-70 mm·a-1,反映出与本研究结果之间的一致性。
图8 研究区滑坡体后缘位置处冲沟发育特征

Fig. 8 Development characteristics of gullies at the rear edge of the landslide body in the study area

2.2 时序累计形变结果

为进一步分析区内席芨滩巨型滑坡形变趋势,分别在发生明显形变的区域选取特征点P1、P2、P4(图5),同时结合滑坡分布区监测时段内月累计降雨量,绘制其累计形变量、月累计降雨量与时间之间关系曲线,如图9所示。2019年1月至2022年12月,P1、P2、P4特征点地表形变趋势相对平稳,其中,特征点P1、P2、P4累计形变量分别为-109.7 mm、-76.8 mm和-140.5 mm。在此基础上,降雨量的增加与滑坡体地表形变之间存在较为显著的相关性,尤其在降雨量相对较大的时段,滑坡体地表形变速率变化显著,表明降水对滑坡体变形活动具有显著的驱动作用。
图9 研究区特征点形变量、降雨量与时间之间的关系曲线

Fig. 9 Relationship curve between characteristic point deformation, rainfall, and time in the study area

2019年1月至2022年12月,席芨滩巨型滑坡体区域内的P1、P2、P4特征点的形变速率变化与降雨量密切相关(图9),具体表现在:P1在2019年8—9月、2022年8—9月,P2在2019年8—9月、2022年6—7月,P4在2020年8—9月、2021年9月,其坡面地表形变速率呈加速趋势,且各特征点在上述时间段内累计形变量均大于4 mm;此外,结合区内降雨量及其时序形变特征,各特征点形变速率增加均发生在全年降雨量较高时段(即7—9月),即P1于2019年8月形变速率发生突变,对应月累计降雨量为88.6 mm;P4在2020年8月形变速率发生突变,月累计降雨量为134.5 mm,该结果表明区内滑坡前缘及后缘位置处形变量与降雨量之间具有密切相关性,表现为区内滑坡体地表形变速率发生明显变化与月累计降雨量相对较高的时段保持一致,表明降雨是滑坡体地表变形增大的因素之一[18]

2.3 基于不同神经网络模型的滑坡体地表累计形变预测

选取由SBAS-InSAR技术所获取的席芨滩巨型滑坡滑体前缘与后缘位置处变形明显的特征点P1、P2、P4,将其在监测时间段内(2019年1月—2022年12月)的时序变形特征信息作为预测模型的试验参数。
采用的LSTM模型输入层节点数为5,输出层节点数为1,隐藏层节点数为10,设置有1个全连接层,延时步长设置为5;参数设置完成之后,将特征点P1、P2、P4获得的累计形变量数据作为数据集,且将数据集按8:2的比例划分为训练集与测试集。其中,按照8:2划分训练集与测试集可以在保证模型有足够的数据进行训练的同时,也能提供足够的测试数据,例如於心竹[30]在开展LSTM模型的位移趋势预测时,通过采用8:2比例划分训练集与测试集,其预测值与真实值之间的绝对误差最小为0.36 mm。进行滑坡体区内特征点累计形变量预测,最终得到滑坡体区域3处特征点累计形变位移量的LSTM模型预测结果,如图10所示。
图10 LSTM模型计算P1、P2、P4特征点测试集结果

Fig. 10 LSTM model calculation results for the test sets of characteristic points P1, P2, and P4

图10可知,位于区内滑坡体地表的特征点P1、P2、P4,其各自的LSTM模型预测结果与真实值累计形变量变化趋势表现相一致,且该滑坡体区域内各特征点拟合优度(R2)均大于0.80,该结果表明预测值与真实值之间拟合程度较高(表2)。
表2 测试集LSTM神经网络模型精度评价指标

Tab. 2 Test set LSTM neural network model accuracy evaluation index

特征点 预测值与真实值
最小绝对误差/mm
预测值与真实值
最大绝对误差/mm
平均绝对误差(MAE)/mm 均方根误差
(RMSE)/mm
拟合优度(R2
P1 0.05 4.50 1.82 2.20 0.83
P2 0.02 3.06 0.25 1.73 0.84
P4 0.06 1.60 0.48 0.69 0.96

注:表中真实值为SBAS-InSAR反演滑坡体地表形变结果;最小绝对误差为预测值与真实值之间最小差值;最大绝对误差为预测值与真实值之间最大差值。

通过比较区内滑坡体地表3个特征点的预测值与真实值之间的绝对误差可知,P1、P2、P4 3个特征点的LSTM模型计算得到的累计形变量预测值与真实值之间的绝对误差均小于5 mm,该结果一定程度上反映出采用LSTM模型计算得到的特征点累计形变量预测结果的有效性,且该结果与陈媛媛等[14]通过LSTM模型与SBAS-InSAR技术对长江流域南京段沉降量预测结果的绝对误差范围相一致。此外,由图10表2可知,特征点P4拟合优度(R2)为0.96,高于特征点P1(0.83)、特征点P2(0.84),表明特征点P4预测值与真实值之间的拟合程度高于P1、P2;特征点P4的LSTM模型预测累计形变量结果的绝对误差小于特征点P1、P2,特征点P1的绝对误差相对较大(表2),表明LSTM模型在预测特征点P4的累计形变量时表现优于P1和P2。
表3 3种不同模型计算得到P1、P2、P4特征点累计形变量预测结果的精度评价指标

Tab. 3 Accuracy evaluation index of cumulative deformation prediction results of P1, P2 and P4 characteristic points calculated by three different models

LSTM神经网络模型 支持向量机(SVM)模型 BP神经网络模型
MAE/mm RMSE/mm R2 MAE/mm RMSE/mm R2 MAE/mm RMSE/mm R2
特征点P1 1.82 2.20 0.83 1.93 2.32 0.81 1.78 2.31 0.81
特征点P2 0.25 1.73 0.84 1.66 1.99 0.79 1.44 1.81 0.82
特征点P4 0.48 0.69 0.96 1.90 2.29 0.64 0.89 1.00 0.91
为验证LSTM模型对席芨滩巨型滑坡区域内P1、P2、P4特征点滑坡累计形变量预测的适用性,利用SVM、BP神经网络模型对区内该巨型滑坡体时序形变进行预测,并将预测结果与LSTM模型所得到的预测结果之间进行对比分析。
图11所示,基于SVM模型得到的各特征点预测值与真实值之间最大绝对误差为5.87 mm,其误差范围控制在10.00 mm以内。在此基础上,特征点P1预测结果的评价指标拟合优度(R2)为0.81,特征点P2、P4的拟合优度(R2)分别为0.79、0.64(表3)。说明特征点P1的SVM模型预测结果与真实值之间的拟合程度相对最高,其预测值与真实值之间的平均绝对误差(MAE)为1.93 mm,反映出累计形变量预测值与真实值之间的变化趋势相对一致。
图11 SVM模型计算P1、P2、P4特征点测试集结果

Fig. 11 SVM model calculation results for the test sets of characteristic points P1, P2, and P4

图12所示,采用BP神经网络模型计算得到特征点P4最大绝对误差为1.88 mm,小于特征点P1、P2的最大绝对误差(分别为6.94 mm、3.84 mm)。此外,特征点P4其拟合优度(R2=0.91)大于特征点P1、P2的预测结果的拟合优度(R2)(分别为0.81、0.82)(表3)。该结果表明特征点P4预测值与真实值之间的拟合程度相对最高。
图12 BP神经网络模型计算P1、P2、P4特征点测试集结果

Fig. 12 BP neural network model calculation results for the test sets of characteristic points P1, P2, and P4

位于区内滑坡体地表的P1、P2、P4特征点,其累计形变量的BP神经网络模型的R2均大于0.80,SVM模型计算得到的各特征点的R2最大为0.81,表明基于BP神经网络模型计算得到的各特征点累计形变量预测结果精确度整体高于SVM模型的计算结果(表3)。
表3可知,LSTM模型的平均绝对误差(MAE)最小,为0.25 mm,而SVM和BP模型的MAE均大于1.00 mm,表明LSTM模型的预测精度相对较高。三种不同模型计算得到的预测结果与SBAS-InSAR技术监测结果对比,LSTM模型的最大绝对误差为4.50 mm,SVM模型为5.87 mm,BP模型为6.94 mm,三种模型的预测误差均控制在10 mm以内,其中LSTM模型将误差进一步控制在5 mm以内,说明采用LSTM模型在累计形变量预测中的有效性。
此外,对表3中各特征点预测结果的MAE对比结果可知,通过采用LSTM模型所得到的特征点P1预测结果的MAE(为1.82 mm),略大于采用BP神经网络模型所得到的预测结果的MAE(1.78 mm);相应地,特征点P2、P4采用LSTM模型所得到的预测结果的MAE分别为0.25 mm、0.48 mm,小于采用BP神经网络模型所得到的MAE,因此,该结果进一步表明采用LSTM模型对位于区内滑坡体地表的特征点P1、P2、P4累计形变量预测结果,具有较高的精确度及有效性。

3 结论

(1) 本研究采用SBAS-InSAR技术对区内2019—2022年SAR影像数据进行处理,得到区内席芨滩巨型滑坡体年平均地表形变速率,席芨滩巨型滑坡体年平均形变速率为-96~16 mm·a-1;区内滑坡体中部位置其年平均地表形变速率为-10~10 mm·a-1;区内滑坡体前缘与后缘位置处局部区域形变较为明显,其最大年平均形变速率为-96 mm·a-1
(2) 席芨滩巨型滑坡前缘及后缘位置处通过布设特征点P1、P2、P4,采用SBAS-InSAR技术得到监测期各特征点的累计形变量;其中,特征点P1其最大累计形变量为-109.70 mm,特征点P2最大累计形变量为-76.80 mm,特征点P4最大累计形变量为-140.50 mm,表明区内滑坡体前缘及后缘位置处地表形变变化相对较为显著。
(3) 基于LSTM模型计算得到特征点P1、P2、P4累计形变量的预测结果,位于滑坡前缘位置处特征点P1、P2的预测值与真实值之间最大绝对误差分别为4.50 mm、3.06 mm;位于滑坡后缘位置处特征点P4预测结果的最大绝对误差为1.60 mm,最大绝对误差均小于5 mm,表明采用LSTM神经网络模型计算特征点累计形变量预测较具有效性。
[1]
周保. 黄河上游(拉干峡—寺沟峡段)特大型滑坡发育特征与群发机理研究[D]. 西安: 长安大学, 2010.

[Zhou Bao. Research on Development Characteristic and Mass Mechanism of Superlarge Landslide in the upper Yellow River[D]. Xi’an: Chang’an University, 2010.]

[2]
周保, 彭建兵, 殷跃平, 等. 黄河上游拉干峡——寺沟峡段特大型滑坡及其成因研究[J]. 地质论评, 2014, 60(1): 138-144.

[Zhou Bao, Peng Jianbing, Yin Yueping, et al. Research on Large-scale landslides between Lagan Gorge and Sigou Gorge in the upper Reaches of Yellow River[J]. Geological Review, 2014, 60(1): 138-144.]

[3]
殷志强, 许强, 赵无忌, 等. 黄河上游夏藏滩巨型滑坡演化过程及形成机制[J]. 第四纪研究, 2016, 36(2): 474-483.

[Yin Zhiqiang, Xu Qiang, Zhao Wuji, et al. Study on the developmental characteristic, evolution processes and forming mechanism of Xiazangtan super large scale landslide of the upper reaches of Yellow River[J]. Quaternary Research, 2016, 36(2): 474-483.]

[4]
史立群, 魏刚, 殷志强, 等. 青海尖扎盆地寺门村滑坡发育特征及成因分析[J]. 中国地质灾害与防治学报, 2020, 31(5): 15-21.

[Shi Liqun, Wei Gang, Yin Zhiqiang, et al. Characteristics and formation of Simencun Landslides in Jianzha Baisn of Qinghai Province[J]. Journal of China Geological Disaster and Prevention, 2020, 31(5): 15-21.]

[5]
曾琳. 黄河上游龙羊峡—公伯峡两岸雷达遥感滑坡隐患识别[D]. 成都: 成都理工大学, 2021.

[Zeng Lin. Radar Remote Sensing Landslide Hidden Hazard Identification on Longyang Gorge-Gongbo Gorge, Upper Yellow River[D]. Chengdu: Chengdu University of Technology, 2021.]

[6]
陈宝林, 李为乐, 陆会燕, 等. 基于SBAS-InSAR的黄河干流军功古滑坡形变分析[J]. 武汉大学学报(信息科学版), 2024, 49(8): 1407-1421.

[Chen Baolin, Li Weile, Lu Huiyan, et al. Deformation analysis of Jungong Ancient Landslide based on SBAS-InSAR technology in the Yellow River Mainstream[J]. Journal of Wuhan University (Information Science Edition), 2024, 49(8): 1407-1421.]

[7]
徐文正, 卢书强, 林振, 等. 联合InSAR与神经网络的范家坪滑坡形变监测及预测研究[J]. 水文地质工程地质, 2025, 52(2): 150-163.

[Xu Wenzheng, Lu Shuqiang, Lin Zhen, et al. Combination of InSAR and neural networks for the deformation monitoring and prediction of Fanjiaping landslide[J]. Hydrogeology and Engineering Geology, 2025, 52(2): 150-163.]

[8]
Yin B, Yin Y, Zhang M, et al. Active fault control led to the Moli landslide triggered by rainfall on 26 February 2021 in Zhouqu County, Gansu, China[J]. Landslides, 2024, 21(1): 83-98.

[9]
岳磊, 刘昌义, 丛晓明, 等. 基于InSAR技术的夏藏滩滑坡区地表变形监测与分析[J]. 水文地质工程地质, 2024, 51(3): 158-170.

[Yue Lei, Liu Changyi, Cong Xiaoming, et al. Surficial deformation monitoring and analyzing to the Xiazangtan landslides based on InSAR method[J]. Hydrogeology and Engineering Geology, 2024, 51(3): 158-170.]

[10]
Cui Y, Qian Z, Xu W, et al. A small-scale landslide in 2023, Leshan, China: Basic characteristics, kinematic process and cause Analysis[J]. Remote Sensing, 2024, 16(17): 3324.

[11]
杨成业, 张涛, 高贵, 等. SBAS-InSAR技术在西藏江达县金沙江流域典型巨型滑坡变形监测中的应用[J]. 中国地质灾害与防治学报, 2022, 33(3): 94-105.

[Yang Chengye, Zhang Tao, Gao Gui, et al. Application of SBAS-InSAR technology in monitoring of ground deformation of representative giant landslides in Jinsha river basin, Jiangda County, Xizang[J]. Journal of Geological Hazards and Environment Preservation, 2022, 33(3): 94-105.]

[12]
张俊, 殷坤龙, 王佳佳, 等. 基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究[J]. 岩石力学与工程学报, 2015, 34(2): 382-391.

[Zhang Jun, Yin Kunlong, Wang Jiajia, et al. Displacement prediction of Baishuihe landslide based on time series and PSO-SVR model[J]. Journal of Rock Mechanics and Engineering, 2015, 34(2): 382-391.]

[13]
Chang Lili, Zhang Rui, Wang Chunsheng. Evaluation and prediction of landslide susceptibility in Yichang section of Yangtze River basin based on integrated deep learning algorithm[J]. Remote Sensing, 2022, 14(11): 2717-2717.

[14]
陈媛媛, 赵秉琨, 王慧, 等. 基于LSTM模型的时序InSAR地表形变预测[J]. 人民长江, 2024, 55(3): 146-152.

[Chen Yuanyuan, Zhao Bingkun, Wang Hui, et al. Time-series InSAR ground deformation prediction based on LSTM model[J]. Yangtze River, 2024, 55(3): 146-152.]

[15]
Liu Y, Zhang J. Integrating sbas-insar and at-lstm for time-series analysis and prediction method of ground subsidence in mining areas[J]. Remote Sensing, 2023, 15(13): 3409.

[16]
赵吉美, 胡夏嵩, 付江涛, 等. 黄河上游巨型滑坡区植被分布及其根系力学强度特征[J]. 草业学报, 2024, 33(1): 33-49.

[Zhao Jimei, Hu Xiasong, Fu Jiangtao, et al. Vegetation distribution patterns and root mechanical properties of selected plant species on the Xijitan giant landslide in the upper reaches of the Yellow River[J]. Journal of Grassland Science, 2024, 33(1): 33-49.]

[17]
Lv Weitao, Hu Xiasong, Li Xilai, et al. Multi-Model comprehensive inversion of surface soil moisture from landsat images based on machine learning algorithms[J]. Sustainability, 2024, 16(9): 3509.

[18]
王溢禧, 赵俊彦, 朱兴华, 等. 贵德盆地席芨滩巨型滑坡前缘次级滑坡特征及其复活机理分析[J]. 中国地质灾害与防治学报, 2024, 35(6): 1-14.

[Wang Yixi, Zhao Junyan, Zhu Xinghua, et al. Analysis on characteristics and reactivation mechanism of secondary landslides in the front part of the Xijitan Giant Landslide, Guide Basin[J]. Journal of Geological Hazards and Prevention, 2024, 35(6): 1-14.]

[19]
赵淑芬, 曾润强, 张宗林, 等. 黄河上游潜在滑坡早期识别及影响因素[J]. 山地学报, 2022, 40(2): 249-264.

[Zhao Shufen, Zeng Runqiang, Zhang Zonglin, et al. Early identification and influencing factors of potential landslides in the upper reaches of the Yellow River, China[J]. Journal of Mountain Science, 2022, 40(2): 249-264.]

[20]
赵无忌, 殷志强, 马吉福, 等. 黄河上游贵德盆地席芨滩巨型滑坡发育特征及地貌演化[J]. 地质论评, 2016, 62(3): 709-721.

[Zhao Wuji, Yin Zhiqiang, Ma Jifu, et al. Multi-stage development characteristics and geomorphic evolution process of the Xijitan super large landslide in the Guide Basin, upper reaches of Yellow River[J]. Geological Review, 2016, 62(3): 709-721.]

[21]
周全, 蒋亚楠, 吕鹏, 等. 联合Sentinel-1A升降轨数据的滑坡多维形变反演[J]. 地球物理学进展, 2024, 39(4): 1427-1439.

[Zhou Quan, Jiang Yanan, Lv Peng, et al. Multi-dimensional deformation inversion of landslides using combined sentinel-1A ascending and descending orbit data[J]. Advances in Geophysics, 2024, 39(4): 1427-1439.]

[22]
郭一兵, 翟向华, 姜鑫, 等. SBAS-InSAR技术在特大型滑坡变形监测中的应用[J]. 地震工程学报, 2023, 45(3): 642-650, 672.

[Guo Yibing, Zhai Xianghua, Jiang Xin, et al. Application of SBAS-InSAR technology for deformation monitoring of huge landslides[J]. Journal of Earthquake Engineering, 2023, 45(3): 642-650, 672.]

[23]
于海明, 张熠斌, 方向辉, 等. 综合InSAR技术和多源SAR数据在滑坡变形监测中的应用——以吉林治新村滑坡为例[J]. 中国地质灾害与防治学报, 2024, 35(1): 155-162.

[Yu Haiming, Zhang Yibin, Fang Xianghui, et al. Application of multiple InSAR techniques and SAR data from multi-sources to landslide deformation monitoring: A case study of the Zhixincun landslide in Jilin Province[J]. Journal of China Geological Hazards and Prevention, 2024, 35(1): 155-162.]

[24]
杨丽, 吴雨茜, 王俊丽, 等. 循环神经网络研究综述[J]. 计算机应用, 2018, 38(增刊): 1-6, 26.

[Yang Li, Wu Yuqian, Wang Junli, et al. Research on recurrent neural network[J]. Computer Applications, 2018, 38(Suppl. ): 1-6, 26.]

[25]
张驰, 郭媛, 黎明. 人工神经网络模型发展及应用综述[J]. 计算机工程与应用, 2021, 57(11): 57-69.

[Zhang Chi, Guo Yuan, Li Ming. Review of development and application of artificial neural network models[J]. Computer Engineering and Applications, 2021, 57(11): 57-69.]

[26]
孙喜文, 贺小星, 鲁铁定, 等. 混合变分模态长短期神经网络水库表面位移形变预测[J/OL]. 国防科技大学学报, 1-12, [2024-09-11].

[Sun Xiwen, He Xiaoxing, Lu Tieding, et al. Mix variational mode decomposition long short-term memory for predicting of reservoir surface displacement and deformation[J/OL]. Journal of National University of Defense Technology,1-12, [2024-09-11].]

[27]
王菲. LSTM循环神经网络的研究进展与应用[D]. 哈尔滨: 黑龙江大学, 2021.

[Wang Fei. Research Progress and Applications of LSTM Recurrent Neural Networks[D]. Harbin: Heilongjiang University, 2021.]

[28]
Wang Jian, Jiang Weiping, Li Zhao, et al. A new multi-scale sliding window LSTM framework (MSSW-LSTM): A case study for GNSS time-series prediction[J]. Remote Sensing, 2021, 13(16): 3328-3328.

[29]
Li Zhen, Lu Tieding, He Xiaoxing, et al. An improved cyclic multi model-eXtreme gradient boosting (CMM-XGBoost) forecasting algorithm on the GNSS vertical time series[J]. Advances in Space Research, 2023, 71(1): 912-935.

[30]
於心竹. 基于SBAS-InSAR技术的温泉县滑坡形变监测与预测研究[D]. 南昌: 东华理工大学, 2023.

[Yu Xinzhu. Research on Monitoring and Prediction of Landslide Deformation in Wenquan County based on SBAS-InSAR Technology[D]. Nanchang: Donghua University of Science and Technology, 2023.]

文章导航

/